智能算法原理与应用.pptVIP

1.优化模型 2.优化算法 3.智能优化算法 2.优化算法 求最优解或近似最优解的方法主要有三种:枚举法、启发式算法和搜索算法。 (1)枚举法:枚举出可行解集合内的所有可行解，以求出精确最优解.对于连续函数，该方法要求先对其进行离散化处理，这样就有可能产生离散误差而永远达不到最优解。另外，当枚举空间比较大时，该方法的求解效率比较低，有时其他甚至在目前先进的计算工具上都无法求解。 (2)启发式算法:寻求一种能产生可行解的启发式规则，以找到一个最优解或近似最优解。该方法的求解效率虽然比较高，但对每一个需要求解的问题都必须找出其特有的启发式规则，这个启发式规则无通用性，不能适合于其他问题。 (3)搜索算法:寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优解或近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和求解效率上达到一种较好的平衡。 3.智能优化算法 3.1.人工神经网络 3.2.遗传算法 3.3.群智能算法 智能算法特点 智能算法的实用性: 对判断是否能够求解优化问题的前提条件的要求很低，智能算法比传统算法能在更多的情况下能够求得有用的(即近似的、次优的和在精度许可范围内的)优化解。 智能算法的通用性: 通过策略、参数、操作以及算子的调整，能够更广泛地适应不同领域的优化求解问题，尤其是对多目标、大规模、高维数、非线性以及带有不可转化约束条件的复杂优化问题，具有更强的适应性。 智能算法的灵活性: 通过策略、参数、操作以及算子的短时间的调整，能够很快提高寻优求解的性能(效率和质量):更重要的是智能算法能够通过自身的改良以及同其它方法的交叉融合，在不长的时间内快速“进化”，这一点是智能算法仿生、仿自然的内在特性. 智能算法的高效特点: 不是说在拥有同等计算资源时，求解优化问题肯定都比传统方法快(从整体上讲，在近年来多数工程应用中的效率确实高出传统算法，否则，智能算法的发展速度也不会突飞猛进)，更多的是指能够更充分挖掘计算机的潜力，比如容易实现并行寻优求解 人工神经网络定义 人工神经网络在经济管理中的应用 在微观经济领域的应用 用人工神经网络构造的企业成本预测模型 用人工神经网络对销售额进行仿真实验 在宏观经济领域的应用 用于国民经济参数的测算 预测通货膨胀率 预测经济周期 对经济运行态势进行预测预警 在证券市场中的应用 在金融领域的应用 3.2 遗传算法 遗传算法是由美国的J. Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法 。 遗传算法的搜索机制 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。 基本遗传算法 基本遗传算法（Simple Genetic Algorithms，简称SGA，又称简单遗传算法或标准遗传算法），是由Goldberg总结出的一种最基本的遗传算法，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础。 基本遗传算法的组成 （1）编码（产生初始种群） （2）适应度函数 （3）遗传算子（选择、交叉、变异） （4）运行参数 编码 GA是通过某种编码机制把对象抽象为由特定符号按一定顺序排成的串。正如研究生物遗传是从染色体着手，而染色体则是由基因排成的串。SGA使用二进制串进行编码。 函数优化示例 求下列一元函数的最大值： SGA对于本例的编码 由于区间长度为3，求解结果精确到6位小数，因此可将自变量定义区间划分为3×106等份。又因为221 3×106 222 ，所以本例的二进制编码长度至少需要22位，本例的编码过程实质上是将区间[-1，2]内对应的实数值转化为一个二进制串（b21b20…b0）。 几个术语 基因型：1000101110110101000111 初始种群 SGA采用随机方法生成若干个个体的集合，该集合称为初始种群。初始种群中个体的数量称为种群规模。 适应度函数 遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。 选择算子 遗传算法使用选择运算来实现对