华中科技大学工程优化设计-启发式方法教案详解.ppt

工程优化设计 内容提要 工程优化问题建模 优化数学理论 一维搜索方法 无约束问题直接搜索方法 无约束问题间接接搜索方法 约束问题直接搜索方法 线性规划与二次规划问题求解 约束问题间接搜索方法 启发式算法 优化软件系统 启发式方法 算法要素： 3.交叉：（a)一点交叉法 遗传算法（Genetic Algorithms） x1=1 0 1 1 0 0 1 1 0 1 1 1 1 0 =xchild1 x2=0 0 1 0 1 1 0 0 0 1 0 0 0 1 =xchild2 随机定位 (b)两点交叉法,例如9个设备的排列顺序为x: x1=264 7358 91 2 418769 = 234187695 ＝xchild1 x2=452 1876 93 4 273589 = 412735896 ＝xchild2 随机定位 6/1与5/3 出现重复，暂不填 按照从小到大 补填所缺码数 算法要素： 3.交叉：（c)Non-ABEL法, xchild1[i]=x1[x2[i]]; xchild2[i]=x2[x1[i]] 遗传算法（Genetic Algorithms） (d)实数调配法， xchild1=sx1+(1-s)x2 xchild2=sx2+(1-s)x1 0s1 x1=264735891; 736298514 ＝xchild1 xchild1[1]=x1[x2[1]]=x1[4]=7 x2=452187693 571628934 ＝xchild2 4.变异： （a)替代（Replace） 1011110 － 1010110 （b)交换（Swap） 412735896 - 412537896 (c)逆序（Inverse） 412735896 - 698537214 随机定位 算法分析： 1.随着种群X的变化，个体在X中可能重复，但总个数n不变，这说明有些个体被彻底淘汰了。 2.如果优良个体被淘汰，会影响收敛。 3.精英策略是将10%的顶级优良个体直接放入下一代种群中，不参加交叉和变异操作。 4.这样，GA以概率1收敛。 启发式方法 遗传算法 算法思想：在下山法中，搜索方向规则较为单一，容易陷入局部最优解，或来回循环。方向选择规则的多样化，有利于克服这一问题。 与SA算法中随机的、自动跳出局部解的做法不同，TS算法有限地记录已搜索过的路径或局部最优解，进一步的搜索主动地回避这些搜索方向或局部最优解，使更多的不同的解得到搜索。 启发式方法 五。禁忌搜索算法（Taboo Search） 局部最优解 更好的局部最优解 虽然这些方向是下降更多，但因为已搜索过，回避它们！！！ 算法： 1。给定算法参数，随机产生初始解，置禁忌表(Tabu-list)为空； 2。如果收敛准则(stop crtiterion)满足，结束并输出结果。 3。由当前解产生邻域解，确定候选解集合(Candidates)及对应目标值； 4。如果藐视准则（Aspiration criterion）满足，将满足藐视准则的解作 为当前解，加入禁忌表，更新禁忌表对象的禁忌长度（Tabu length）, 转（2）。 5。候选解禁忌属性判断； 6。将非禁忌对象的最佳解作为当前解，加入禁忌表，更新禁忌表对象的禁 忌长度（Tabu length）,转（2）。 启发式方法 禁忌搜索算法（Taboo Search） 算法要素： 1。禁忌对象：邻域方向，或邻域中解。 2。禁忌表：禁忌对象－未来不用的迭代次数之间的关系表。 3。藐视准则：无论是否被禁忌，只要此条件满足，就选为当前解。如迄今 最优性（best so far）; 4。禁忌长度：禁忌对象第一次放入禁忌表中设置的禁止使用的迭代次数， 以后每迭代一步，次数减一。 启发式方法 禁忌搜索算法（Taboo Search） 算法例子：目标函数是f(x)，x是1,2,3,…,7的一个排列。 邻域定义为一次交换得到的新解， 邻域成员个数＝6＋5＋4＋3＋2＋1＝21 选5个较大值记录在候选集合中。 （4，5）交换未来3次不能采用！ T标记被禁忌，此步差值都为负，任选 一个，跳出局部最优解。 算法例子：目标函数是f(x)，x是1,2,3,…,7的一个排列。 此步出现迄今最大值，藐视准则满足，