[数学]数学建模竞赛算法讲座.ppt

遗传算法 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 遗传算法作为一种有效的工具，已广泛地应用于 最优化问题求解之中。 遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。 生物进化与遗传算法对应关系 生物进化 遗传算法 适者生存 适应函数值最大的解被保留的概率最大 个体 问题的一个解 染色体 解的编码 基因 编码的元素 群体 被选定的一组解 种群 根据适应函数选择的一组解 交叉 以一定的方式由双亲产生后代的过程 变异 编码的某些分量发生变化的过程 环境 适应函数 函数优化 函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能测试评价的常用算例。对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解，而遗传算法却可以方便地得到较好的结果。 组合优化 遗传算法是寻求组合优化问题满意解的最佳工具之一，实践证明，遗传算法对于组合优化问题中的NP完全问题非常有效。例如，遗传算法已经在求解旅行商问题(Traveling Salesman Problem , TSP)、背包问题(Knapsack Problem)、装箱问题(Bin Packing Problem) 等方面得到成功的应用。 生产调度问题 生产调度问题在很多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解也会因简化得太多而使求解结果与实际相差太远。现在遗传算法已经成为解决复杂调度问题的有效工具。 自动控制 遗传算法已经在自动控制领域中得到了很好的应用，例如基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习等。 机器人智能控制 机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于对人工自适应系统的研究，所以机器人智能控制自然成为遗传算法的一个重要应用领域。 图象处理和模式识别 图像处理和模式识别是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地存在一些误差，这些误差会影响图像处理的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求，遗传算法在这些图像处理中的优化计算方面得到了很好的应用。 Matlab 7.0版本首次增加了遗传算法工具箱（Genetic Algorithm and Direct Search Toolbox (GADS)），运行命令是gatool，Matlab 2009及后续版本将该产品集成到优化工具箱（Optimization Toolbox）中，运行命令是Optimtool，然后在左侧的下拉菜单中选择 “ga---- Genetic Algorithm ”选项，然后在右侧的选项卡组中定义所要求解问题描述的“种群”，“选择”，“适应函数”，“复制”，“交叉”，“变异”，“迁移”等特性，即可开始计算求解，该工具的界面如图所示 06A 出版社的资源配置——整数规划、数据处理、优化 06B 艾滋病疗法的评价及疗效的预测——线性规划、回归分析 07A 中国人口增长预测——微分方程、数据处理、优化 07B 乘公交，看奥运 ——多目标规划、图论、动态规划、整数规划 08A 数码相机定位——非线性方程组、优化 08B 高等教育学费标准探讨——数据收集和处理、统计分析 、回归分析 图论方法 最短路问题：给出一个连接若干城镇的铁路网络，在这个网络的两个指定城镇间，找一条最短的铁路线（Dijkstra算法）或每对指定顶点间的最短路径（ Dijkstra算法，Floyd算法） 最大流问题：运输问题 最小费用最大流问题：在完成运输任务的同时，寻求一个使总的运输费用最小的运输方案 最小生成树问题（连线问题）：欲修筑连接多个城镇的铁路，设计一个连线图，使得总造价最低（prim算法，Kruskal算法） 图的匹配问题（人员安排问题）：n个人员安排n份工作，每人适合做其中一件或若干件工作，问能否每人有一件合适工作？如果不能，最多几人可以有合适的工作？（匈牙利算法） 遍历性问题（中国邮递员问题）：邮递员从邮局出发，经过投递范围内每条街道最少一次，再回到邮局，选择一条行程最短的路线 预测方法 拟合预测：按照已知数据得到反映规律的函数，再代入需要预测的变量，将函数值作为预测值 回归预测：与拟合预测基本类似 微分方程预测：