4局域随机搜索(副本).pptVIP

GA讨论 需处理很多好参数：?、P、r。 在基本方案上，有许多变化。比如： 多点变异 动态编码 根据排序或相对适宜性来选择 多适应性函数 辅之以局域优化法，如局域爬山法。 在许多问题中，可假设正确的参数选择，能有效地提高效率。 * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 局域搜索与随机搜索 概要 爬山法 随机搜索 模拟退火法 局域射线搜索 遗传算法 局域搜索 假设对每个状态X，定义一个邻域（或移动集）Neighbors(X)，其是从X出发在一步内能到达的状态集。 X0?初始态 重复直到满意当前状态为止。 评估Neighbors(Xi)中的一些近邻 选择其中一个近邻，Xi+1 移到Xi+1 最简单实例 S={1,…,100} Neighbors(X)={X-1,X+1} 最简单实例 虽然对全域极值有兴趣，但可能只有满足于局域极值。 事实上，每次迭代只能得到局域极值。 挑战性：通过一系列的局域移动来试图达到全域极值。 S={1,…,100} 全域极值Eval(X*)?所有X的Eval(X) 局域极值Eval(X*)?在Neighbors(X)中所有X的Eval(X) Neighbors(X)={X-1,X+1} 搜索问题的提出： 已知： 一个状态（或构形）集：S={X1,…,XM}, 一个评估每个状态的函数：Eval(X). 求解： 寻找全域极值：寻找X*使得Eval(X*)比所有其它Eval(Xi)都更大，Xi是所有可能的值。 实例 调度：已知m个机器，n个任务。 X=给机器的任务安排 Eval=这n个任务完成时间的极小化 其它：车辆路由、设计、处理排序，…… 任务 机器 时间 实例：旅行推销商问题（TSP） 寻找一个经过每个结点一次，且长度最小的旅行路线。 Eval(X1)Eval(X2) X1={1,2,5,3,6,7,4} X2={1,2,5,4,7,6,3} 实例：旅行推销商问题（TSP） 构形X=经过结点{1,…,N}的旅行 Eval=由一个{1,…,N}的排列来定义的路径长度 寻找X*来实现Eval(X)的极小。 搜索空间尺寸=(N-1)!/2量级。 注意：N为几十万时，搜索空间是巨大的。 Eval(X1)Eval(X2) X1={1,2,5,3,6,7,4} X2={1,2,5,4,7,6,3} 实例：N个皇后 寻找一个构形，使得没有一个皇后能攻击其她任何一个皇后。 EVAL(X)=5 EVAL(X)=2 EVAL(X)=0 实例：N个皇后 构形X=在N列中N个皇后的位置。 Eval(X)=能两两相互攻击的皇后对数目。 寻找X*来实现极小：Eval(X)=0。 搜索空间尺寸：NN量级。 注意：N10时，搜索空间是巨大的。 EVAL(X)=5 EVAL(X)=2 EVAL(X)=0 最基本的算法：爬山法（局域贪婪搜索） 算法描述： 顾名思义，爬山法就是向Eval(X)值增大的方向持续移动。 算法分析： 爬上法终将在一个“峰顶”终止，此时相邻状态中没有比它更高的值。算法不维护搜索树，当前节点的数据结构只记录当前状态和它的目标函数值。爬山法不会前瞻与当前状态不直接相邻的那些状态值。所以爬山法到达一个局部最大值或者“平原”的时候，就会无路可走，可见，爬山法不是最优的。 爬山法（局域贪婪搜索） X?初始构形(状态） loop do： E ? Eval(X) N ? Neighbors(X) 对在N中的每个Xi Ei ? Eval(Xi) //评估每个后续的值 Ei*=argmaxi(Ei) //选择具有最大值的后续 if (Ei* E) return X else X?Xi* E?Ei* 爬山法的局限 多个局域极值 Eval(.)恒定值的平台区 山脊=仅用爬山移动是不可能从Xstart到达X*的。 随机搜索：随机爬山法 随机爬山法就是指在上山的过程中随机的选择下一步，选择的概率随上山的陡峭程度而变化。 X?初始状态 迭代： E?Eval(X) X’?在Neighbors(X)中随机选择一个状态 E’?Eval(X’) if E’E X?X’ E?E’ 问题： 迭代停止条件？选择下一步的概率为0，即周围的值都比E小（E’E） 不再选择在整个邻域中的最佳移动。 模拟退火法（SA） 算法描述： SA算法是爬山法和随机行走算法的结合，以同时求的有效性和完备性。SA算法没有选择最佳的移动，而是选择随机的移动。如果移动使情况改善，那么该移动。否则，算法以某个小于1的概率接受该移动。这个概率按照移动的“恶劣状态”—评价值变坏的梯度?E(E