智能优化理论和方法PPT.ppt

20世纪70年末流行过 这样一个十分形象的比 喻，说最优化方法好像 是“只卖一个尺码鞋的 鞋店，脚小的塞棉花， 脚大的砍一截。 * 我们应该怎么做？ 针对传统优化方法的不足，人们对最优化方 法提出了一些新的要求，使其能不局限于某 一类问题的解决。 (1)对目标函数和约束函数表达的要求更为 宽松，即目标函数和约束函数可以必是解析 的，更不必是连续和高阶的。 (2)计算的效率比理论上的最优性更重要 * 四.智能优化方法简介 对于一些复杂制造系统的实时调度问题要求优化 算法算得快，能解决的问题规模大。这就要求优 化方法能够高效快速地找到满意解，至于是不是 最优解反而并不十分重要。 (3)算法随时终止都能够随时得到较好的解。对于 这类问题，虽然计算更长时间可以获得更好的解 ，但由于急于使用结果往往要求能够随时终止计 算，且能到一个与计算时间代价相当的较好解。 * (4)对优化模型中数据的质量要求更加宽松。 传统的优化方法是基于精确数学的方法，对 数据的确定性和准确性有严格的要求。但实 际生活中很多信息具有很高的不确定性。因 此，迫切需要能够直接对具有不确定性的数 据乃至语言变量进行计算的优化方法。 * 面向实际需要，促使最优化方法从“方法定 向”向“问题定向”的转换。于是新的优化 方法不断出现。 最优化理论的三大非经典算法：遗传算 法、模拟退火算法、蚁群优化算法。 * 4.1基于遗传算法的随机优化搜索 遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法 。 遗传算法是受达尔文的 进化论的启发，借鉴生物进化过程而提出的 一种启发式搜索算法。因此在介绍遗传算法 前有必要简单的介绍生物进化知识。 * 4.1.1生物学进化知识 * 　 1. 个体与种群 ● 个体就是模拟生物个体而对问题中的解的一种称呼，一个个体也就是搜索空间中的一个点。 ● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。 * 　 2. 适应度与适应度函数 ● 适应度(fitness)就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的表征其优劣的一种测度。 ● 适应度函数(fitness function)就是问题中的体个体与其适应度之间的一个对应关系。它一般是一个实值函数。该函数就是遗传算法中指导搜索的评价函数。 * 3. 染色体与基因 　　染色体（chromosome chromosome）就是问题中个体的某种字符串形式的编码表示。字符串中的字符也就称为基因（gene）。 例如： 个体 染色体 9 9 ---- （2，5，6）---- （010，101，110）010 101 110 * 4. 遗传操作 　　亦称遗传算子(genetic operator)，就是关于染色体的运算。遗传算法中有三种遗传操作: ● 选择-复制(selection-reproduction) ● 交叉(crossover，亦称交换、交配或杂交) ● 变异(mutation，亦称突变) * 　　选择-复制　其目的是从种群中按照某种策略选择出若干个体进行遗传运算. 通常采用的是正比选择选策略,即每个个体xi被中进行遗传运算的概率P(xi)为该个体的适应值和群体中所有个体适应值总和的比例. 这里的选择概率P(xi)的计算公式为 * 在得到选择概率后,采用旋轮法来实现选择操作.令 PP0=0 共旋轮N次,每次旋轮时,随机产生rk∈(0,1),当 PPi-1≤rkPPi,则选择个体i. * 　　交叉 就是互换两个染色体某些位上的基因。 例如, 设染色体 P1 P2 单点交叉: 双点交叉: * 变异 就是在种群中按照变异概率Pm任选若干基因位改变基位值。变异概率一般设定为一个比较小的数,在5%以下. 例如, 设染色体 s 将其第三位上的0变为1, If rPm,则 s s′。 s′也可以看做是原染色体s的子代染色体。 * 4.1.2基本遗传算法 遗传算法基本流程框图 生成初始种群 计算适应度 选择-复制 交叉 变异 生成新一代种群 终止 ? 结束 * 算法中的一些控制参数：