人工智能-启发函数与局部搜索-5说课.pptVIP

模拟退火算法具有高效、健壮、通用、灵活等特点。 1　高效性。与局部搜索算法相比，模拟退火算法可望在较短时间里求得更优近似解；并且模拟退火算法允许任意选取初始解和随机数列，又能得出较优近似解，求优化问题前期工作量较少。 2　健壮性。在可能影响模拟退火算法性能的诸因素中，问题规模的影响最为显著：当问题规模增大导致搜索范围的绝对增大，CPU时间增加，而对于解空间而言，搜索范围又因问题规模的增大而相对减少，将引起解质的下降。解和CPU时间均随问题规模的增大而趋于稳定，且不受初始解和随机数序列的影响。 3　通用性和灵活性。模拟退火算法能应用于多种组合优问题，为一个问题编制的程序可以有效地用于其它问题。 模拟退火算法的不足主要是：返回一个高质近似解的时间花费较多，当问题规模不可避免地增大时，难于承受的运行时间将使算法丧失可行性。 模拟退火算法可以从以下途径进行改进。 1　邻域结构的适当选择和初始解的随机数序列的选择恰当可以提高解的质量和缩减运行时间； 2　冷却进度表的合理选择可使算法的执行过程更为有效； 3　提高算法迭代过程的各个环节的时效，以缩减运行时间； 4　通过回火退法、加温退火法等策略来改变算法进程的各种变异方法； 5　可以采用大规模的并行计算来真正缩减算法的运行时间。 模拟退火算法是一种现代启发式算法，实质上是局部搜索法的推广，克服了局部搜索法局部最优的缺点。但它也同样面临解的表示和邻域结构设计问题，这要针对具体问题特点进行设计，好的设计方法能使算法只在可行解域内进行搜索，否则，会扩大搜索空间，增加搜索时间。 同时，模拟退火算法是一种通用、高效、健壮、可行的随机近似算法, 并且可以较容易地并行实现以进一步提高运行效率, 适合求解大规模组合优化问题特别是NP完全问题, 因此具有很大的实用价值。同时由于其讨论涉及随机分析、Mpkob 理论、渐近收敛性、统计分析方法和并行算法等学科, 所以其研究还具有重要的理论意义, 此外, 对模拟退火算法作一些局部或策略上的修改, 还可得到一些推广或变异形式。 在人类的历史上，通过学习与模拟来增强自强适应能力的例子不胜枚举。模拟飞禽，人类可以翱游天空；模拟游鱼，人类可以横渡海洋；模拟昆虫，人类可以纵观千里；模拟大脑，人类创造了影响世界发展的计算机。人类的模拟能力并不仅仅局限于自然现象和其他生命体。自从20世纪后半叶以来，人类正在将其模拟的范围延伸向人自身，除了向自身结构的学习以外，更向其自身的演化这一宏观的过程学习，来增强自己解决问题的能力，其代表性的就是遗传算法(genetic algorithm，GA)。 美国Michigan大学的John　Holland和他的学生在1975年提出的遗传算法，是源于模拟达尔文的进化论“优胜劣汰、适者生存”的原理激励好的结构和孟德尔、摩根的遗传变异理论，在迭代过程中保持已有的结构，同时寻找更好的结构。其本意是在人工适应系统中设计一种基于自然演化原理机制。 遗传算法 Holland设计了遗传算法的模拟与操作原理，运用了统计决策理论对遗传的搜索机理进行了理论分析，建立了著名的Schema定理和隐含并行性原理，为遗传算法的发展奠定了基础。De Jong将遗传算法应用于函数优化，设计了一系列遗传算法的执行策略和性能评价指标，对遗传算法性能做了大量的分析。De Jong的在线和离线是目前衡量遗传算法性能的主要手段，而他精心挑选的5个试验函数也是目前遗传算法数值试验中用得最多的试验函数。 在Holland和De Jong的工作之后，遗传算法经历了一个相对平衡的发展时期，目前逐渐被人们所接受和运用。遗传算法的发展高潮开始于20世纪80年代末，而且延续至今。 目前，关于遗传算法理论的研究在三个方面进行着： 1．Schema理论的拓广与深入； 2．遗传算法的马氏链分析； 3．遗传算法的收敛理论。 一、遗传算法的基本原理 GA是建立在自然选择和群体遗传学基础上通过自然选择、杂交和变异实现的搜索方法。其基本过程是:首先采用某种编码方式将解空间映射到编码空间（可以是位串、实数等，具体问题中，可以直接采用解空间的形式进行编码，也可以直接在解的表示上进行遗传操作，从而易于引入特定领域的启发式信息，可以取得比二进制编码更高的效率。 实数编码一般用于数值优化，有序串编码一般用于组合优化)，每个编码对应问题的一个解，称为染色体或个体。其次通过随机方法的方法产生初始解（被称为群体或种群），在群体中根据适应值或某种竞争机制选择个体(适应值就是解的满意程度，可以由外部显式适应度函数计算，也可以由系统本身产生，如由协同演化时不同对策的博奕确定，或者由个体在群体中的存活量和繁殖量确定。)，再次使用各种遗传操作算子(包括杂交，变异等)产生下一代(下一代可以完全替代原群体，即非重叠群体，也可以部