启发式算法2012.ppt

启发式算法;一、组合优化问题二、启发式算法三、模拟退火算法四、遗传算法;解决离散的优化问题?运筹学分支。通过数学方法的研究去寻找离散事件的最优编排、分组、次序或筛选等，可以涉及信息技术、经济管理、工业工程、交通运输和通信网络等许多方面。;一般模型;0-1背包问题（Knapsack Problem） 加工调度问题（Scheduling Problem） 旅行商问题（Travelling Salesman Problem--TSP） 装箱问题（Bin Packing Problem） 图着色问题（Graph Coloring Problem）;旅行商问题;1.2 计算复杂性的概念;算法复杂性;例：TSP的近似算法：最近邻法、最近插入法、最小支撑树法、局部搜索法等;例：0-1背包问题：贪婪算法;1.3 邻域结构与局部最优;基于直观或经验构造的算法，在可接受的花费（时间、空间）下，给出待解决优化问题每个实例的一个可行解，该可行解与最优解的偏差不一定事先可以估计。 启发式算法是一种技术，在可接受的计算费用内去寻找最好的解，但不一定能保证解的可行性与最优性，无法描述该解与最优解的近似程度。 特点（与传统优化方法不同）：不考虑算法所得解与最优解的偏离程度。;现代优化算法：上世纪80年代初兴起;三.模拟退火算法;3.2 模拟退火算法流程：;iii) 如果 则 iv）如果 则如果 否则 v）end for;3.3 模拟退火算法要素;2）状态转移概率（接受概率）p;3）冷却进度T(t);4）初始温度T0 实验表明，初温越大，获得高质量解的几率越大，但花费的计算时间将增加。因此，初温的确定应折中考虑优化质量和优化效果。;6）外循环终止准则 即算法终止准则，常用的包括： 设置终止温度的阀值 设置外循环迭代次数 算法搜索到的最优值连续若干步保持不变 检查系统熵是否稳定;3.4 模拟退火算法实验性能分析： 1）模拟退火法与局部搜索算法的差异 2）优点：高效、健壮、通用、灵活 3）不足：返回一个高质量近似解的时间花费较多，当问题规模不可避免增大时，难于承受的运行时间将使算法丧失可行性。 如何改进？;3.5 模拟退火算法的matlab实现;dejong5fcn;x0 = [0 0]; [x,fval] = simulannealbnd(@dejong5fcn,x0);Optimization terminated: change in best function value less than options.TolFun. x = -15.9669 -31.9749 fval = 1.9920 exitflag = 1 output = iterations: 1608 funccount: 1621 message: [1x80 char] randstate: [625x1 uint32] randnstate: [2x1 double] problemtype: unconstrained temperature: [2x1 double] totaltime: 0.8268;x0 = [0 0]; lb = [-64 -64]; ub = [64 64]; [x,fval] = simulannealbnd(@dejong5fcn,x0,lb,ub);fun = @(x) 3*sin(x(1))+exp(x(2)); x = simulannealbnd(fun,[1;1],[0 0]);options = saoptimset(PlotFcns,{@saplotbestf,@saplottemperature,@saplotf,@saplotstopping}); simulannealbnd(@dejong5fcn,x0,lb,ub,options);;options = saoptimset(InitialTemperature,[300 50]); options = saoptimset(options,TemperatureFcn,@temperaturefast); options = saoptimset(options,ReannealInterval,50); options = saoptimset(options,Display,iter,DisplayInterval,400); options = saoptimset(options,TolFun,1e-5);;相关函数： [x, fval] = threshacceptbnd(@objf