现代设计方法与应用课件作者房亚东第十七章节.ppt

* 主讲：房亚东 Email:fangyadong@ * 现代设计方法及其应用 西安工业大学机电学院 The Institute of Mechanical and Electrical Engineer, Xian Technological University 尚辅网 / 第十七章 启发式算法 蚁群算法 模拟退火算法 3 1 2 4 5 粒子群优化算法 人工神经网络算法 遗传算法 遗传算法 ■ 内容 ：本章涉及现代设计方法中的启发式算法部分，将蚁群算法、遗传算法、模拟退火算法、粒子群算法以及神经网络等优化算法，主要通过算法简述、原理、求解步骤和算法工程应用等方面对其展开论述。 ■ 目的 ：学会采用适当的启发式算法求解特定的工程实际问题，掌握启发式算法的原理和求解步骤。 蚁群算法简述 （1）蚁群算法的基本原理 各个蚂蚁在没有事先告诉他们食物在什么地方的 开始寻找食物。当一只找到食物以后，它会向环境释放 一种信息素，吸引其他的蚂蚁过来，这样越来越多的蚂 蚁会找到食物。有些蚂蚁并没有象其它蚂蚁一样总重复 同样的路，他们会另辟蹊径，如果另开辟的道路比原来 的其他道路更短，则更多的蚂蚁被吸引到这条较短的路 上来。经过一段时间运行，可能会出现一条最短的路径 被大多数蚂蚁重复着。 17.1 蚁群算法 （2）人工蚂蚁与真实蚂蚁的异同 人工蚂蚁和真实蚂蚁一样，是一个相互合作的个体。 人工蚂蚁和真实蚂蚁一样，也是通过信息素进行间 接的通讯。 人工蚂蚁和真实蚂蚁一样，有着具体的共同的目标。 人工蚂蚁和真实蚂蚁一样，都有着信息素的挥发机 制。 人工蚂蚁和真实蚂蚁一样，在状态转移的策略上都 是采用概率机制。 17.1 蚁群算法（续） 人工蚁群系统数学模型 蚁群算法可以表述如下：在算法的初始时 刻，将m只蚂蚁随机地放到n个城市，同时，将每只蚂 蚁的禁忌表的第一个元素设置为它当前所在的城市。此 时，各边上的信息素量是相等的，设τij(t)=C（C为 一常数）。接下来，每只蚂蚁根据路径上残留的信息素 量和启发式信息（两城市之间的距离）独立地选择下一 个城市。在t时刻，蚂蚁k从城市i转移到城市j的概率P kij(t)为： 17.1 蚁群算法（续） 蚁群算法如下：: Step 1 初始化 置t=0; {t表示时间} 置NC=0; {NC为迭代次数} 对每条边lij设置τij(t)=C，Δτij(t)=0；将m 蚂蚁随机放到n个城市上； Step 2 置 s=1; {s为禁忌表中的索引} for k=1 to m do 将蚂蚁k的起点城市加入到禁忌表tabuk； end for 17.1 蚁群算法（续） Step 3 while (禁忌表tabuk不满) 置s=s+1; for k=1 to m do 按式17.1计算转移概率Pkij(t)，根据赌轮方法选择下一个要到的城市j；{在时刻t时，蚂蚁k在城市i=tabuk (s-1)} 蚂蚁k移到城市j； 将城市j加入到tabuk end for end while step 4 for k=1 to m do 17.1 蚁群算法（续） 计算蚂蚁k走过的周游长度Lk； 更新当前的最优路径 end for for 每条边lij for k=1 to m do end for end for Step 5 for 每条边按式17.2计算τij(t+1)； 17.1 蚁群算法（续） 置 t=t+1; 置NC=NC+1； for 每条边lij，置 Step 6 if(NCNCmax) and (没有出现停滞情况) then 清空所有的禁忌表； goto step 2 else 打印最优路径； 算法停止； end 17.1 蚁群算法（续） 17.1 蚁群算法（续） 蚁群算法应用 （1）曝气机行星减速齿轮箱的可靠性优化设计 （2）基于MATLAB的蚁群算法求解TSP问题 17.2 遗传算法 遗传算法简述 （1）遗传算法定义 遗传算法是从代表问题可能潜在的解集的一个种群（po pulation）开始的，而一个种群则由经过基因（gene） 编码的一定数目的个体(individual)组成。每个个体实 际上是染色体(chromosome)带有特征的实体。染色体作 为遗传物质的主要载体，即多个基因的集合，其内部表现 （即基因型）是某种