数学建模之智能计算.docVIP

主要介绍几种典型的智能计算理论与方法. 1讲述基于热力学退火过程产生的模拟退火算法； 2介绍一类从智能观点模拟生物智能的计算理论与方法—遗传算法； 3与§4分别介绍模仿蚁群迁徙与觅食过程以及模拟鸟类群体行为而建立起来的蚁群算法和粒子群算法； 5 元胞自动机的概念与算法，支持向量机等 智能计算产生的背景 优化问题的数学语言 其中，为目标函数，为个约束条件（函数）。 不难看出，优化问题是指在一定约束条件下，寻找一组参数使其最优性得到满足。 根据目标与约束条件中变量是否满足线性、连续、目标函数的个数等，优化问题又可以分为线性和非线性规划，或单目标规划与多目标规划等。 线性规划中，当变量为整数或仅取0与1时，又得到整数规划或0-1整数规划。在一般情形下，非线性规划问题远远高于线性规划问题的求解难度。 当考虑个目标函数时，上述优化问题可以描述为 其中，为多目标变量。 对于多目标优化问题而言，所包含的不同目标函数之间往往存在着目标不一致的地方，因此在求解过程中，很难满足同时达到最优的情形。 根据变量的特性，优化问题又可以分为函数优化与组合优化两种，其中，优化对象约束在一定的区域时，呈现为函数优化问题，而优化对象为解空间中的离散状态时，则为组合优化问题。组合优化问题可以描述为： 本节后面介绍的旅行商问题（TSP）、最大截问题、0-1背包问题以及调度问题等都属于组合优化问题。 最优化问题的求解可以分为经典优化算法与启发式优化算法。1947年。美国数学家Dantzig提出了求解线性规划问题的单纯性算法，随后，Kamaka提出多项式级的椭球算法与内点算法。 对于非线性问题，人们从二次规划问题入手，建立了许多经典算法，如最速下降法、共轭梯度法、牛顿法与拟牛顿法等。 经典算法的局限性： 一般使用局部信息，如需要初始点以及导数等信息，从而使得经典算法容易陷入局部最优的陷阱，而导数等苛刻性质的需求则极大限制了算法的有效范围。 智能计算的兴起：受到大自然运行规律的启发，上世纪50年代开始启发式算法得到广泛采用，尤其是启发式算法思想与人工智能领域中的各种有关问题求解方法相结合，产生了许多智能型启发式搜索算法，其中，贪婪算法、局部搜索方法以及按概率选择成为最常见的启发式方法。 一、模拟退火算法 模拟退火算法属于一种典型的启发式算法 Kirpatrick（1982） 基本思想：观察到固体退火过程与离散系统中的组合优化问题的求解存在某种相似性，并将Metropolis准则引入到组和优化问题的求解中，建立了一种对Metropolis算法进行迭代的组合优化算法，由于该算法模拟固体退火原理，因此经常称之为“模拟退火算法”。 1．Metropolis准则 Monte Carlo 方法 固体在指定温度下达到热平衡的过程可以通过Motel Carlo方法进行仿真来实现，原理简单，算法易于编程实现 问题：为了保证算法的精确性则必须进行大量采样，从而存在计算量巨大的问题。 Metropolis准则，Metropolis 于1953年提出 思想: 借鉴Monte Carlo方法的思想,只对”重要贡献”的状态进行采样,目的: 减少运算量 通过随机方式达到最优解，是一种随机接受准则，其方法可以描述如下（优异者一定接受，劣者按概率接受）： 先给定以粒子相对位置表征的初始状态i，作为固体的当前状态，该状态的能量设为，然后利用摄动装置使随机选取的某个粒子的位移产生微小的变化，得到一个新的状态j,该状态的能量记为，如果，则该新状态就作为“重要”状态，如果，则考虑到热运动的影响，该新状态是否“重要”需要设置一个概率数来进行判断，具体做法是设固体处于状态I与状态j的概率比值设为，r为一个小于1的数，用随机数产生器产生一个位于区间的随机数，若，则新状态仍然作为“重要”状态，否则舍去。 若新状态是重要状态，就以j取代I成为当前状态，否则仍以I为当前状态，一直重复上述新状态的产生过程，当固体经过大量变换（或称为迁移）后，系统趋于能量较低的平衡状态。 上述随机接受新状态的准则称之为Metropolis准则，相应的算法称之为Metropolis算法。由于采用随机方法，一般情况下Metropolis算法的运算量明显少于Mote Carlo方法的运算量。 2 模拟退火算法(Simulated Annealing—SA) 1982年，Kirkpartrick提出 将固体加温至充分高（能量达到最大），再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。 统计力学的研究表明，当温度为T时，分子停留在状态满足Boltzmann概率分布，即 其中为状态r的能量，为分子能量的一个随机变量，为概率分布的标准化因子：