人工智能算法- 优化算法.docVIP

人工智能算法- 优化算法 绘制方法有很多种，我们希望能够最终展现给用户的绘制是比较好阅读的，比如交叉线比较少，每个人的点排的比较开等等。 我们利用以下一个数据格式来描述最终的一个解，即一个向量包含每个人的坐标，假设：通常我们用一个 向量来表示解x， x =[a1,a2,….] 这个矩阵也很多值，那这个绘制方法可能很多，优化算法就是用来寻找和评估其中比较好的一种绘制的结果的解。那这里就要回答一个很关键的问题，什么样的解是好的解，这就需要一个方法来评估一个解的好坏程度，也就是优化算法当中要 定义的 成本函数（Cost Function），在这个案例中就是有一个函数输入是 每个人的坐标，输出是评价这种画法或者说分布质量如何。 常用有4种优化算法: 1 随机搜索 2 爬山法 3 退火法 4 遗传算法 下面该给出各种算法的实现说明，通过程序解释各种求解实现和思想，为了便于理解，先介绍下 数据储存格式： Python code： people=[刘翔,姚明,陈道明,郭晶晶,霍启刚,纪伟,罗伯斯,孙海平,史冬鹏,叶莉] links=[(刘翔, 姚明), (刘翔, 陈道明), (刘翔, 郭晶晶), (刘翔, 纪伟), (刘翔, 罗伯斯), (刘翔, 孙海平), (刘翔, 史冬鹏), (姚明, 叶莉), (陈道明, 霍启刚), (郭晶晶, 霍启刚), (纪伟, 罗伯斯), (孙海平, 史冬鹏), (罗伯斯, 孙海平)] 1 随机搜索：主要 依赖于随机函数，每一次求解，都是不确定的变化趋势（更好还是更坏） #domain 表示解空间，domain[i][0] 表示向量x第i个维的最小值，domain[i][1] 表示向量x第i个维的最大值。 # costf ：成本函数（Cost Function） def randomoptimize(domain,costf): best=999999999 bestr=None # 求解 1000次 for i in range(0,1000): # 创建一个随机的解 r=[float(random.randint(domain[i][0],domain[i][1])) for i in range(len(domain))] # 计算 成本 cost=costf(r) # 是否更优，成本小为更优 if costbest: best=cost bestr=r return r 2 爬山法 ，搜索沿着某一个更优方向搜索直到一个极值（如下图的波谷） 以下是python 的一个实现： #domain 表示解空间，domain[i][0] 表示向量x第i个维的最小值，domain[i][1] 表示向量x第i个维的最大值。 # costf ：成本函数（Cost Function） def hillclimb(domain,costf): # 从一个随机解开始 sol=[random.randint(domain[i][0],domain[i][1]) for i in range(len(domain))] #搜索解过程 while 1: # 每一维都会变化以后现成一个新的解，共有解的长度个邻居解 neighbors=[] for j in range(len(domain)): # 解向量 第j维 在解空间，向上或者向下 变化步长1（所以叫邻居解 ） if sol[j]domain[j][0]: neighbors.append(sol[0:j]+[sol[j]+1]+sol[j+1:]) if sol[j]domain[j][1]: neighbors.append(sol[0:j]+[sol[j]-1]+sol[j+1:]) # 在这一批寻找最优解 current=costf(sol) best=current for j in range(len(neighbors)): cost=costf(neighbors[j]) if costbest: best=cost sol=neighbors[j] # 当没有更优解