智能计算综述

1.遗传算法1.遗传算法的一般步骤(1)编码问题的解决方案(二进制编码、十进制编码、实数编码、加里编码)(2)形成编码的初始群体方法：完全随机生成根据已知的现有知识(3)适应度函数的设计与计算目标函数：健身功能：(4)基因操作选择运算符功能：判断个人是否优秀判断标准：个体适应度函数的值方法：比例选择法、精英选择法、排名选择法、联赛选择法、期望法等交叉算子两个匹配的个体按照某种方法相互交换部分基因，形成一个新的个体。方法：单点相交、两点相交、多点相交和全时间相交变异算子类型：基本变异算子、反向变异算子和自适应变异算子(5)算法终止通常，最大迭代次数被设置为算法的终止条件，这很简单但不准确。根据种群的收敛程度判断算法是否停止2.算法特征(1)与传统相比在将问题参数编码到染色体中后，进化操作使算法不受功能约束的限制。采用分组搜索方法，具有隐式并行搜索特性；随机操作；(4)它具有全局搜索能力，主要用于复杂的非线性问题。(2)优势该算法在整个空间中进行并行搜索，以很大的概率找到全局最优解。该算法具有固定的并行性(3)多用于高维、环境复杂、问题结构不清晰的场合。3.遗传算法的应用(1)加工中心的组成(2)0-1背包问题2.蚁群优化算法算法基础1.一群蚂蚁将从起点开始在蚁巢和食物之间随机建立一条路径。当觅食路径上有障碍物时，蚁群会以相等的概率沿着障碍物向左或向右移动。2.蚂蚁会在路径上留下信息素来引导后面的蚁群移动；3.信息素随着时间逐渐蒸发。4.对于从蚁巢开始的蚂蚁，选择路径的概率与每条路径上的信息素成正比，最终所有蚂蚁都会选择相同的较短路径；双算法模型1.必需的基本变量和常数Order:是蚁群中蚂蚁的总数旅行商问题中的城市数是和哪里之间的距离第一次迭代弧上的信息素量(或时间)初始时间每个弧上的信息素数量相等，即(常数)2.状态转移概率(2.1)值越高，蚂蚁越有可能选择它之前经过的路径。值越高，蚂蚁越有可能选择离开最近的城市。3.信息素的更新参数用于表示信息素的挥发系数和信息素的残留系数。假设：在另一个时间之后，蚂蚁完成了一个循环(2.2)其间4.基本蚁群算法求解旅行商问题的主要步骤(1)初始化参数，仅将蚂蚁放置在n个顶点上；(2)将初始起点放置在当前解路径集中；计算蚂蚁选择城市的概率为蚂蚁未经过的城市选择最有可能的城市，将蚂蚁移动到该城市，记录它，并将该城市放在当前的解决方案集中。(3)分别计算蚂蚁找到的解对应的目标函数值，并记录当前最优值；(4)按(2.2)修改每个弧上的信息素数量；(5)命令；(6)如果它小于预定值并且没有退化行为，转向(2)5.蚁群算法的本质选择机制、更新机制和协调机制6.蚁群算法的特点(1)正反馈机制，(2)强鲁棒性，以及(3)分布式计算(4)通用随机优化方法(5)易于与其他方法结合7.蚁群算法的缺点(1)搜索时间较长(2)容易出现停滞3.模拟退火算法1.模拟退火算法数学模型的组成；(1)解决方案空间：问题的所有可能解决方案的集合，它定义了初始解决方案选择的范围和新解决方案生成的范围(2)目标函数：几个优化目标的总和，其选择必须正确反映问题的整体优化要求(3)初始解：开始迭代的起点2.模拟退火算法的基本思想从初始解开始，通过反复迭代产生新的解，并对新的解进行判断和丢弃，最终得到满意的全局最优解。3.操作过程(1)初始化：给定并初始化温度变化范围，初始化解，并计算与初始化解对应的当前目标函数的起点；注意：初始值必须足够大，但不能太大。初始化每个温度下的迭代次数(2)设置一个整数来记录每个温度下的迭代次数。在每个温度下，步骤(3)至(6)循环；(3)生成新解，根据目标函数分别计算当前解和新解对应的和，并计算增量(4)如果是，新解替换当前解为新的当前解，并将对应的新解作为新的当前目标函数值；(5)如果是，需要计算新方案的接受率；如果是，它可以被接受为新的当前解决方案；(6)如果迭代满足终止条件，则输出当前解作为最优解并结束程序；(7)逐渐降低温度控制参数，如果仍大于0，转到步骤(2)对数冷却策略：快速冷却策略：直线冷却策略：指数冷却策略：4.模拟退火算法的特点(1)优点：渐近收敛，计算过程简单、通用、鲁棒，适合并行处理，可用于解决复杂的非线性优化问题；(2)缺点：返回高质量的近似解需要更多的时间。当问题规模不可避免地增加时，无法忍受的运算时间将使算法不可行。5.模拟退火算法的改进方法(1)在算法过程中改变各种变异方法，如在算法中增加记忆，记忆算法过程中出现的最优近似解；(2)算法的大规模并行计算能够真正缩短计算时间；(3)模拟退火算法与其他智能搜索机制算法相结合，相互学习。4.粒子群优化算法1.基本想法：粒子群优化算法是模拟生物群体中信息共享的社会行为，即利用信息共享机制，使个体能够相互借鉴经验，从而促进整个群体的发展。2.算法流程：(1)初始化粒子群，即随机设置每个粒子的初始位置和初始速度；(2)计算每个粒子的适应度；(3)对于每个粒子，将其适应度与其经历的最佳位置对应的适应度进行比较，如果优于后者，则更新它，否则，保持它不变；(4)将该迭代中每个粒子的适应度分别与该组经历的最佳位置对应的适应度进行比较，如果优于后者则更新，否则保持不变；(5)根据公式和公式重新计算每个粒子的速度和位置；(6)如果算法满足结束条件(生成足够好的位置或达到预设的最大迭代次数)，算法终止，否则，过程进行到步骤(2)。3.粒子