人工智能优化算法.pptVIP

优化问题的分类 多目标优化 约束优化问题 经典的算法 遗传算法(GA) 量子遗传算法(GQA) 粒子群算法(PSO) 人工蜂群算法(ABC) 量子粒子群算法(QPSO) 膜优化理论 多目标优化算法 遗传算法(Genetic Algorithm) 遗传算法(Genetic Algorithm，GA)是建立在自然选择和群体遗传学基础上的搜索方法，是由美国Michigan大学的Holland教授首先提出并发展起来的。 核心思想：初始种群产生之后，按照“适者生存”和“优胜劣汰”的原理，逐代演化产生出越来越好的近似解。 现在的研究方向多为遗传算法与其它智能优化算法结合以及小生境遗传算法。 伪代码 初始化种群 For generation=1:max_generation for ind=1:n/2 轮盘赌选择个体 if U(0,1)Pc 随机产生 for p=s~m 量子遗传算法 　　　量子遗传算法是量子计算和遗传算法相结合的产物，其关键步骤包括染色体编码、种群测量、种群更新等。 　　　在QGA中，染色体编码采用量子位来实现。量子位与经典位的不同之处在于它可以落在和之外的线性组合态，其状态通常表示为： 　　　设一个染色体包含位量子位，则其编码形式为 量子旋转门的更新操作如下所示 测量过程如下： 量子旋转门的选取 　　　Han, K.H. and Kim, J.H. Genetic quantum algorithm and its application to combinatorial optimization problem [C]. Proceedings of the 2000 IEEE International Conference on Evolutionary Computation. USA: IEEE Press, 2000:1354-1360. 伪代码 t=0 initialize Q(t) make P(t) by observing Q(t) states repair P(t) evaluate P(t) store the best solution b among P(t) while (t MAX-GEN) do t=t+1 make P(t) by observing Q(t - 1) states repair P(t) evaluate P(t) update Q(t) store the best solution b among P(t) end 伪代码 创建并初始化一个M维的粒子群 Repeat 　　　for 每个粒子i=1~N　 　 　　　　　　 If 　　　　　//设置个体的最佳位置 end If 　　　　　　　　//设置全局的最佳位置 end end for每个粒子i=1~N 更新粒子的速度 更新粒子的位置 end Until 终止条件为真 人工蜂群算法(ABC) 食物源的数目＝工蜂的数目＝观察蜂的数目 侦察蜂的数目＝1 工蜂寻找食物源的位置　 若　　　　　　　　　　　　则更新食物源的位置 否则，食物源的位置保持不变。 观察蜂选择工蜂公式 实际是轮盘赌选择机制。 　　观察蜂根据轮盘赌选择的工蜂的食物源位置，来更新自己的食物源位置。 　　观察蜂的位置更新过程跟工蜂的位置更新过程类似。 　　当工蜂或者观察蜂的食物源位置经过“limit”次后仍然没有更新，则工蜂或者观察蜂变为侦察蜂，随机选择食物源的位置。 　　人工蜂群算法是一种比较有效的算法，这是因为此算法存在侦察蜂，能够在收敛的同时进行适度发散。 算法流程 　Initialize 　REPEAT ■Move the employed bees ont