数学建模7要点.ppt

算法及MATLAB程序实现 第 6 章数学问题的非传统解法 本章主要内容 神经网络及其在数据拟合中的应用 遗传算法及其在最优化问题中的应用 小波变换及其在数据处理中的应用 粗糙集理论与应用 分数阶微积分学及其应用 神经网络及其在数据拟合中的应用 神经网络基础知识 神经网络界面 人工神经网络（Artificial Neural Networks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（Connection Model），它是一种模范动物神经网络行为特征，进行分布式并行信息处理的算法数学模型。这种网络依靠系统的复杂程度，通过调整内部大量节点之间相互连接的关系，从而达到处理信息的目的。 BP 神经网络结构示意图 神经网络的训练与泛化 神经网络训练函数 目标值曲线函数 神经网络泛化 神经网络界面 启动神经网络界面 nntool 【例】重新求解一元函数拟合 遗传算法及其在最优化问题中的应用 遗传算法是基于进化论，在计算机上模拟生命进化机制而发展起来的一门新学科，它根据适者生存、优胜劣汰等自然进化规则搜索和计算问题的解。 美国 Michigen 大学的 John Holland 于 1975 年提出的。 遗传算法最优化工具箱 MATLAB 7.0的遗传算法与直接搜索工具箱 遗传算法的基本思想 从一个代表最优化问题解的一组初值开始进行搜索，这组解称为一个种群，这里种群由一定数量的、通过基因编码的个体组成，其中每一个个体称为染色体，不同个体通过染色体的复制、交叉或变异又生成新的个体，依照适者生存的规则，个体也在一代一代进化，通过若干代的进化最终得出条件最优的个体。 简单遗传算法的一般步骤 选择 n 个个体构成初始种群 ，并求出种群内各个个体的函数值。 设置代数为 i=1，即设置其为第一代。 计算选择函数的值，所谓选择即通过概率的形式从种群中选择若干个个体的方式。 通过染色体个体基因的复制、交叉、变异等创造新的个体，构成新的种群 。 i=i+1，若终止条件不满足，则继续进化。 遗传算法和传统优化算法比较 不同于从一个点开始搜索最优解的传统的最优化算法，遗传算法从一个种群开始对问题的最优解进行并行搜索，所以更利于全局最优化解的搜索。 遗传算法并不依赖于导数信息或其他辅助信息来进行最优解搜索。 遗传算法采用的是概率型规则而不是确定性规则，所以每次得出的结果不一定完全相同，有时甚至会有较大的差异。 智能优化算法 常用的智能优化算法 遗传算法 Genetic Algorithm，简称GA 模拟退火算法 Simulated Annealing，简称SA 禁忌搜索算法 Tabu Search，简称TS …… 智能优化算法的特点 它们的共同特点：都是从任一解出发，按照某种机制，以一定的概率在整个求解空间中探索最优解。由于它们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。 遗传算法(Genetic Algorithm) 进化算法(Evolutionary Algorithm) 遗传算法(GA) Darwin(1859): “物竟天择，适者生存” John Holland (university of Michigan, 1975) 《Adaptation in Natural and Artificial System》 遗传算法作为一种有效的工具，已广泛地应用于最优化问题求解之中。 遗传算法是一种基于自然群体遗传进化机制的自适应全局优化概率搜索算法。它摒弃了传统的搜索方式，模拟自然界生物进化过程，采用人工的方式对目标空间进行随机化搜索。 遗传算法的搜索机制 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 遗传算法(GA) 遗传算法(GA) 遗传算法(GA) 遗传算法(GA) 遗传算法(GA) 遗传算法(GA) 适者生存(Survival of the Fittest) GA主要采用的进化规则是“适者生存” 较好的解保留，较差的解淘汰 生物进化与遗传算法对应关系 遗传算法的基本操作 选择(selection): 根据各个个体的适应值，按照一定的规则或方法，从第t代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t+1)中。 交叉(crossover): 将群体P(t)内的各个个体随机搭配成对，对每一个个体，以某个概率Pc (称为交叉概率，crossvoer rate)交换它们之间的部分染色体。 变异(m