课件：几种智能算法概述及其应用.ppt

几种智能算法概述及其应用,汇报内容,几种智能算法概述 遗传算法 粒子群算法 模拟退火算法 蚁群算法,智能算法概述,1、遗传算法,遗传算法（Genetic Algorithm，GA）是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体， 再利用迭代的方式进行选择、交叉以及 变异等运算来交换种群中染色体的信息， 最终生成符合优化目标的染色体。,智能算法概述,染色体：生物遗传物质主要载体。 基因：扩展生物性状的遗传物质的功能单元和结构单位。 基因座：染色体中基因的位置。 等位基因：基因所取的值。,1、遗传算法,智能算法概述,遗传算法流程,遗传算法改进方向,1、遗传算法与非线性规划结合 2、与BP神经网络结合 3、基于量子遗传算法寻优 4、多种群遗传算法 5、多层编码遗传算法,1、遗传算法,智能算法概述,TSP（旅行商问题）问题描述与结果：,已知n个城市互相之间距离，某人从某城市出发访问每个城市且仅一次，如何安排才能使其所走路线最短,1、遗传算法,智能算法概述,制孔路径优化 在飞机装配线上用机器人带动末端执行器进行制孔，执行器由初始位置依次移动到每一孔位，最后返回初始位置，目标为所走路径最短，时间最少,产品生产安排 一个周期内生产n种产品，开销包括制造成本以及产品转换开支，因此生产成本与生产顺序有关，目标为使转换成本最低,1、遗传算法,智能算法概述,2、粒子群算法产生背景,粒子群算法（Particle Swarm Optimization， PSO）源于对鸟类捕食行为的研究，一群鸟随机分布在一个区域中，在这片区域只有一块食物，鸟类捕食时，所有鸟都不知道食物在哪里，但是他们知道当前位置距离食物 还有多远，那么找到食物最简单有效 的策略就是搜寻当前距离食物最近的 鸟的周围区域。,智能算法概述,2、粒子群算法基本思想,每个潜在解都是搜索空间的一只鸟，称之为“粒子”，所有粒子都有一个由被优化函数决定的适应值，还有一个速度决定其飞行方向及距离。粒子们追随当前最优粒子在解空间搜索，然后通过迭代找到最优解。在每一次的迭代中，粒子根据两个极值来更新自己： 粒子本身变化过程中的最优解，称为个体极值 整个种群目前找到的最优解，称为全局极值 有时为了避免陷入局部最优，可使用整体中一部分作为粒子邻居，则所有邻居中的极值就是局部极值。,智能算法概述,2、粒子群算法基本模型,设群体规模为N，目标搜索空间为D维。,表示第 个粒子的位置。,表示i的飞翔速度,表示i自身搜索到的最优点,智能算法概述,2、粒子群算法基本模型,学习因子c1： c1= 0，则只有社会，没有自我 学习因子c2： c2= 0，则只有自我，没有社会,智能算法概述,2、粒子群算法改进加入惯性权重,由基本粒子群算法模型中粒子位置进化方程可看出，不同时刻位置由飞行速度决定，因此飞行速度大小直接影响算法的全局收敛性。,惯性权重分类： 固定权重，种群规模越大，所需权重越小 时变权重 随机权重,智能算法概述,3、模拟退火算法背景,退火是指将固体加热到足够高的温度，使分子呈现随机排列状态，然后逐步降温使之冷却，最后分子以低能状态排列，固体达到某种稳定状态。该过 程属于热力学范畴，主要由三部分 组成：加温过程、等温过程以及冷 却过程。,智能算法概述,3、模拟退火算法,由统计力学研究表明，在温度T，分子滞留在状态r的概率满足波兹曼概率分布,P = = 1 ,其中， 为状态r的能量， 为概率分布的标准化因子, , ,SD exp s , =,当,时,即分子停留在能量小的状态概率大,智能算法概述,3、模拟退火算法流程, 初始化：初始温度 T（充分大），初始解状态 S（算法迭代的起点）， 每个T值的迭代次数L 对 做第三至第六步： 对当前解随机扰动，产生新解S 计算增量 ，其中 为评价函数 若 0 则接受S为新的当前解，否则以 概率接受S作为新的当前解 如果满足终止条件则输出当前解作为最优解，结束程序,智能算法概述,4、蚁群算法背景,单个的蚂蚁为了避免自己迷路，它在爬行时，同时也会释放一种特殊的分泌物信息素，信息素浓度越高，表示对应路径越短。当一条路上的信息素越来越多，后来的蚂蚁选择这条路径的概率也就越来越大，从而进一步增加了该路径的信息素浓度。,智能算法概述,4、蚁群算法模型,蚁群转移概率公式,信息更新公式,Ant cycle system,Ant quantity system,Ant d