智能优化方法及其应用讲稿.pptVIP

智能优化方法及其应用 内 容 内 容 启发式计算方法背景 启发式计算方法背景 经典的计算方法 启发式计算方法 启发式计算方法分类 内 容 遗传算法 遗传算法 神经计算 神经计算 模糊逻辑 其它生物启发式计算技术 内 容 群体智能（Swarm Intelligence） 群体智能算法作为一种新兴的演化计算技术，已成为越来越多研究者的关注焦点，它与人工生命，特别是进化策略以及遗传算法有着极为特殊的联系。群体智能理论研究领域主要有两种算法：蚁群算法和粒子群优化算法。 蚁群算法是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。粒子群优化算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。 鱼群觅食模型 鸟群的飞行行为 避免碰撞 速度匹配 中心聚集 鸟群觅食模型 社会型行为的模拟 认知行为 （Cognition Behavior） 先前经验 社会行为 （Social Behavior） We tend to adjust our beliefs and attitudes to conform with those of our social peers. 粒子群算法介绍 每个寻优的问题解都被想像成一支鸟，也称为“Particle”。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏， 每一个Particle具有记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 速度与位置更新 算法流程 Initialization ：将群族做初始化，以随机的方式求出每一Particle 之初始位置与速度。 Evaluation：依据fitness function 计算出其fitness value 以作为判断每一个Particle之好坏。 Find Pbest ：找出每一个Particle 到目前为止的搜寻过程中最佳解，这个最佳解称之为Pbest。 Find the Gbest：找出所有群体中的最佳解，此最佳解称之为Gbest。 Update the Velocity and position： 根据速度与位置公式 更新每一Particle的速度与位置。 Termination. 返回步骤2继续执行，直到获得一个令人满意的结果或符合终止条件为止。 参数选择 粒子数: 一般取 20 – 40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果, 不过对于比较难的问题或者特定类别的问题, 粒子数可以取到100 或 200 粒子的维数: 这是由优化问题决定, 就是问题解的长度 粒子的范围: 由优化问题决定,每一维可是设定不同的范围 Vmax: 最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度 学习因子: c1 和 c2 通常等于 2. 不过在文献中也有其他的取值. 但是一般 c1 等于 c2 并且范围在0和4之间 中止条件: 最大循环数以及最小错误要求. PSO与遗传算法的比较 相同点 都是基于种群的 都需要适应度函数. 都是随机计算技术 不能保证100%收敛  不同点 PSO没有交叉变异等进化操作 . PSO中通过粒子的竞争与协作实现种群进化 粒子具有记忆能力  优点 PSO 容易实现具有较小的调整参数 收敛速度快、解质量高、鲁棒性好 混合蛙跳算法 微分进化算法 微分进化算法与PSO算法几乎产生于同一时间，是一种较新的进化优化算法。同所有的进化优化算法一样，微分进化算法也是一种基于种群进化的多点搜索算法，但不只是对单一解进行操作。它采用群体搜索技术，通过交叉、变异和选择等操作产生新一代种群，并使种群逐步进化到包含或接近最优解的状态。 微分进化算法起源于遗传算法，但是它在使用上大为简化，不必进行编码和解码操作，同时其对初始值没有要求，并且具有较快的收敛速度。该算法适应于各种非线性函数，尤其适应于对多变量复杂问题的寻优，被认为是一种极具发展潜力的跨学科优化算法。 内 容 内 容 实验结果分析 基于微分进化算法的模糊C均值图像分割算法 为解决FCM算法初始聚类中心随机选取、分类数需要人工确定的问题，提出基于微分进化算法的模糊C均值图像分割算法。算法的基本思想是：该算法中每个可能的聚类中心通过微分进化算法的变异、交叉和选择操作选择活动的聚类中心。直到找到可接受的簇中心即适应度函数达到终止条件或整个循环达到最大循环次数。最终选择的活动聚类中心就表示最优解，FCM算法利用微分进化算法得到的最优解作为算法的初始聚类中心，活动聚类中心的个数作为分类数进行图像的聚类分割。解决模糊C