过程建模8-智能优化说课.ppt

目前还未找到一种能够处理各种约束条件的一般化方法，只能针对具体问题及约束选用不同方法。 搜索空间限定法 对搜索空间的大小加以限制，使搜索空间中表示一个个体的解与解空间中表示一个可行解的点一一对应； 实现方法：用编码方式来保证；用程序来保证。 可行解变换法 在由个体基因型到个体表现型的变换中，寻找一种从个体基因型到个体表现型之间多对一的变换关系，使进化过程中所产生的个体总能通过这种变换而转化成解空间中满足约束条件的一个可行解。 罚函数法 对解空间中无对应可行解的个体，在计算其适应度时，用罚函数来降低该个体适应度，减少其被遗传到下一代群体中的机会。 *补充资料： 局部搜索，模拟退火，遗传算法，禁忌搜索的形象比喻： 为了找出地球上最高的山，一群有志气的兔子们开始想办法. 1．兔子朝着比现在高的地方跳去.他们找到了不远处的最高山峰.但是这座山不一定是珠穆朗玛峰.这就是局部搜索，它不能保证局部最优值就是全局最优值. *补充资料： 2．兔子喝醉了.他随机地跳了很长时间.这期间，它可能走向高处，也可能踏入平地。但是，他渐渐清醒了并朝最高方向跳去.这就是模拟退火. 3．兔子们吃了失忆药片，并被发射到太空，然后随机落到了地球上的某些地方.他们不知道自己的使命是什么.但是，如果你过几年就杀死一部分海拔低的兔子，多产的兔子们自己就会找到珠穆朗玛峰.这就是遗传算法. 4.兔子们知道一个兔的力量是渺小的.他们互相转告着，哪里的山已经找过，并且找过的每一座山他们都留下一只兔子做记号.他们制定了下一步去哪里寻找的策略.这就是禁忌搜索. 群体智能 变异 就是改变染色体某个(些)位上的基因。 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 step6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2； step7 按变异率Pm所决定的变异次数m，从S2中随机确定m个染色体，分别进行变异操作，并用产生的新染色体代替原染色体，得群体S3； 　　 step8 将群体S3作为新一代种群，即用S3代替S，t = t+1，转step3； 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361 再计算种群S1中各个体的选择概率。 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） 本例的编码过程实质上是将区间[-1,2]内对应的实数值转化为一个二进制串（b21b20…b0）。根据精度要求可算出至少要23位二进制串表示。 ——遗传算法总是在寻找优解, 而不像图搜索那样并非总是要求优解, 而一般是设法尽快找到解, 所以遗传算法又是一种优化搜索算法。 ——遗传算法的搜索过程是从空间的一个点集(种群)到另一个点集(种群)的搜索,而不像图搜索那样一般是从空间的一个点到另一个点地搜索。 因而它实际是一种并行搜索, 适合大规模并行计算,而且这种种群到种群的搜索有能力跳出局部最优解。 ◆遗传算法的应用 遗传算法在人工智能的众多领域便得到了广泛应用。例如，机器学习、聚类、控制（如煤气管道控制）、规划（如生产任务规划）、设计（如通信网络设计、布局设计）、调