过程建模8-智能优化教材课程.pptVIP

下篇 非线性系统建模;8 智能优化应用;8 智能优化应用;8 智能优化应用;8 智能优化应用;8 智能优化应用;目前还未找到一种能够处理各种约束条件的一般化方法，只能针对具体问题及约束选用不同方法。 搜索空间限定法 对搜索空间的大小加以限制，使搜索空间中表示一个个体的解与解空间中表示一个可行解的点一一对应； 实现方法：用编码方式来保证；用程序来保证。 可行解变换法 在由个体基因型到个体表现型的变换中，寻找一种从个体基因型到个体表现型之间多对一的变换关系，使进化过程中所产生的个体总能通过这种变换而转化成解空间中满足约束条件的一个可行解。 罚函数法 对解空间中无对应可行解的个体，在计算其适应度时，用罚函数来降低该个体适应度，减少其被遗传到下一代群体中的机会。;8 智能优化应用;8 智能优化应用;8 智能优化应用;8 智能优化应用;8 智能优化应用;8 智能优化应用;8 智能优化应用;局部搜索，模拟退火，遗传算法，禁忌搜索的形象比喻： 为了找出地球上最高的山，一群有志气的兔子们开始想办法. 1．兔子朝着比现在高的地方跳去.他们找到了不远处的最高山峰.但是这座山不一定是珠穆朗玛峰.这就是局部搜索，它不能保证局部最优值就是全局最优值.;2．兔子喝醉了.他随机地跳了很长时间.这期间，它可能走向高处，也可能踏入平地。但是，他渐渐清醒了并朝最高方向跳去.这就是模拟退火. 3．兔子们吃了失忆药片，并被发射到太空，然后随机落到了地球上的某些地方.他们不知道自己的使命是什么.但是，如果你过几年就杀死一部分海拔低的兔子，多产的兔子们自己就会找到珠穆朗玛峰.这就是遗传算法. 4.兔子们知道一个兔的力量是渺小的.他们互相转告着，哪里的山已经找过，并且找过的每一座山他们都留下一只兔子做记号.他们制定了下一步去哪里寻找的策略.这就是禁忌搜索. ;群体智能;遗传算法是智能优化算法的一种，是一种具有全局优化性能、通用性强、且适合于并行处理的算法。 与其它智能优化算法具有共同的特点：都是从任一解出发，按照某种机制，以一定的概率在整个求解空间中探索最优解。由于它们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。 ; 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，或者说迭代自适应概率性搜索算法。;函数优化问题;　 　 1. 个体与种群 ● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）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。 ● 种群规模就是种群中个体的数量。;　 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 全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）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 ---- 1001 （2，5，6）---- 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　对于一个规模为N的种群S，按每个染色体xi的选择概率P(xi)，分N次从S中随机选定N个染色体，并进行复制。 ;　　交叉 就是互换两个染色体某些位上的基因。 ; 变异 就是改变染色体某个(些)位上的基因。 例如, 设染色体 s将其第三位上的0变为1, 即 s