最优化理论概括以及差分进化算法.ppt

差异演化算法主要涉及群体规模M 、缩放因子F以及交叉概率CR三个参数的设定。 M：一般介于5×n 与10×n 之间, 但不能少于4, 否则无法进行变异操作; F ：一般在[ 0, 2 ]之间选择, 通常取0. 5; CR：一般在[ 0, 1 ]之间选择, 比较好的选择应在0. 3 左右, CR 大些收敛速度会加快, 但易发生早熟现象。 五.差异演化算法的参数选取 差分进化算法的优缺点 和其它进化算法相比, 差分进化具有以下优点: 差分进化在求解非凸、多峰、非线性函数优化问题表现极强的稳健性。 在同样的精度要求下,差分进化算法收敛的速度快。 差分进化算法尤其擅长求解多变量的函数优化问题。 操作简单, 易编程实现。 缺点： 由于差分进化的关键步骤变异操作是基于群体的差异向量信息来修 正各个体的值, 随着进化代数的增加, 各个体之间的差异化信息在逐渐 缩小, 以至于后期收敛速度变慢, 甚至有时会陷入局部最优点 Thanks for your attention! * 差分进化算法Differential Evolution algorithm 人类的一切活动都是认识世界和改造世界的过程 即： 认识世界 → 改造世界 ↓ ↓ (建模) (优化) 〇.最优化的重要性（1） 一切学科都是建模与优化在某个特定领域中的应用 概念模型(定性) → 结构模型(图)→ → 数学模型 → 智能模型 〇.最优化的重要性（2） 目的是求解空间优化 最优化理论的发展 极值理论； 运筹学的兴起(Operation Research)； 数学规划：线性规划(LP)；非线性规划(NLP)；动态规划(PP)；马尔托夫规划(MDP)；排队轮；决策论；存储论。 最优化理论在国民经济中的广泛应用 〇.最优化的重要性（3） 如下面框图所示 选一个初始解 LP:大M，二阶段法 NLP:任意点或一个内点 一.传统优化方法的基本步骤—三步曲（1） 2、停止判据——停止规则最优性检验 LP:检验数 当∏≥0时有可能减小 NLP: 一.传统优化方法的基本步骤—三步曲（2） 向改进方向移动——改进解 LP:转轴变换(进基、退基) NLP:向负梯度方向移动(共轭梯度方向、牛顿方向) 一.传统优化方法的基本步骤—三步曲（3） 停机 选择一个初始解 停止准则 向改进方向移动 启动 Y N 一.传统优化方法的基本步骤—三步曲（4） 对问题中目标函数、约束函数有很高的要求——有显式表达，线性、连续、可微，且高阶可微; 2. 只从一个初始点出发，难以进行并行、网络计算，难以提高计算效率； 二.传统优化方法的局限性（1） 最优性达到的条件太苛刻——问题的函数为凸，可行域为凸； 在非双凸条件下，没有跳出局部最优解的能力。 二.传统优化方法的局限性（2） 对问题的描述要宽松(目标和约束函数)—— 可以用一段程序来描述(程序中带判断、循环)，函数可以非连续、非凸、非可微、非显式； 并不苛求最优解——通常满意解、理想解就可以了； 三.实际问题中对最优化方法的要求（1） 计算快速、高效,可随时终止(根据时间定解的质量)； 能够处理数据、信息的不确定性(如数据的模糊性，事件的随机性)。 三.实际问题中对最优化方法的要求（2） 1975年holland提出遗传算法 (Genetic Algorithm) 1977年Glouer提出禁忌搜索算法 (Tabn Search) 四.智能优化算法的产生与发展（1） 1982年Kirkpatrick提出模拟退火算法 (Simulated Annealing) 人工神经元网络 1995年Dorigo提出蚁群算法 (Ant Colony Optimization) 四.智能优化算法的产生与发展（2） 1995年Kennedy Eherhart提出粒子群优化(Particle Swarm Optimization) 其它 文化算法(Cultural Algorithm) 人工生命算法(Artificial-Life Algorithm) 四.智能优化算法的产生与发展（3） 应用前景十分广阔——国民经济的各个领域 局限性——不能保证最优解，理论上不完备 五.应用前景局限性 差分进化算法 差分进化算法 一.导言 二.基本原理 三.标准算法 四.实例 五.应用方向 差分进化算法(DE)的产生 Rainer Storn 和K