概率算法介绍.pptVIP

第1讲 概率法 粒子群优化算法 粒子群优化算法实例：设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是它们各自知道自己当前的位置离食物还有多远。那么找到食物的最优策略是什么呢？最简单有效的办法就是搜寻目前离食物最近的鸟的周围区域 。 PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索 。 第1讲 概率法 粒子群优化算法 粒子群优化算法实例： PSO 初始化为一群随机粒子(随机解)。然后通过叠代找到最优解。在每一次叠代中，粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解。这个解叫做个体极值pBest. 另一个极值是整个种群目前找到的最优解。这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分粒子的邻居，那么在所有邻居中的极值就是局部极值。 第1讲 概率法 粒子群优化算法 粒子群优化算法研究现状： 粒子群优化算法的研究还处于初期阶段, 还有很多未知的领域需要研究, 例如关于粒子群理论的数学证明等。 网上已经由了很多的关于粒子群的资源: 关于粒子群理论的各方面资源/~hux/PSO.shtml 有一份比较全的文 献列表以及网上论文/ 可以搜索到关于PSO的很多论文 及文献 That’s all for today See you next time Good bye! sss * * 第六章 概率算法 每节一经典 走好运，造机遇----随机算法 第1讲 概率法 §1.1 引言 故事：想象自己是神化故事的主人公,你有一张不易懂的 地图,上面描述了一处宝藏的藏宝地点.经分析你能 确定最有可能的两个地点是藏宝的地点,但二者相距 甚远.假设： 你到达其中一处,就立即知道该处是否为藏 宝地点（一看便知）. 从其中一处到另一处的距离是5天的行程. 进一步假设有一条恶龙,每晚光顾宝藏并从 中拿走一部分财宝。 假设你取宝藏的方案有两种： 第1讲 概率法 §1.1 引言 5 天 5 天 5 天 ? ? ? ? 藏宝地点 藏宝地点 走哪边最容易找到宝藏？ 第1讲 概率法 §1.1 引言 方案1 花4天的时间计算出准确的藏宝地点,然后出发 寻宝,一旦出发，不能返回。 方案2 有一个小精灵告诉你地图的秘密,但你必须付 给他报酬,相当于龙3晚上拿走的财宝。 若忽略可能的冒险和出发寻宝的代价,你是否接受 小精灵的帮助？ 显然,应该接受小精灵的帮助,因为你只需给出3晚 上被盗窃的财宝量,否则你将失去4晚被盗财宝量。 但是,若冒险,你可能做得更好！ 问题理解 第1讲 概率法 §1.1 引言 设x是你决定之前当日的宝藏价值，设y是恶龙每晚盗走的宝藏价值，并设x9y 方案1：4天计算确定地址，行程5天，你得到的宝藏价值为：x-9y 方案2：3y付给小精灵，行程5天失去5y，你得到的宝藏价值为：x-8y 方案3：投硬币决定先到一处，失败后到另一处(冒险方案) 一次成功所得：x-5y，机会1/2 二次成功所得：x-5y-5y=x-10y，机会1/2 }期望赢利:x-7.5y 数学模型 平均（期望）赢利=(x-5y)*(1/2)+(x-10y)*(1/2)=x-7.5y 第1讲 概率法 §1.1 引言 该故事告诉我们：当一个算法面临某种选择时,有 时随机选择比花费更多时间（耗时）做最优选择更 好,尤其是当最优选择所花的时间大于随机选择的 平均时间的时侯。 第1讲 概率法 概率算法是指选择下一步执行步骤时，用随机（概率）方法进行选择，而不是用逻辑上确定的方法进行选择. §概率算法定义 允许算法在执行的过程中随机选择下一个计算步骤。许 多情况下，当算法在执行过程中面临一个选择时，随机 性选择常比最优选择省时。因此概率算法可在很大程度 上降低算法的复杂度。 p1 p2 p3 p4 p5 第1讲 概率法 随机决策 不可再现性 在同一实例上执行两次其结果可能不同;在同