算法的设计（第13章现代优化算法）.pptVIP

第13章 现代优化算法 禁忌搜索 模拟退火 遗传算法 蚁群算法 粒子群算法 差分进化算法 现代优化算法 启发式算法：依据人的直观经验、或是模拟自然界的某些规则而设计出的算法 不一定保证得到最优解 不一定保证解的近似程度 13.1 禁忌搜索 找到问题的一个初始可行解x0，令当前解x = x0，禁忌表T为空。 如果终止条件满足，那么返回当前已找到的最优解，算法结束。 否则，在x的邻域N(x)中选取一个未被禁忌且评价最好的解x′，将从x到x′的搜索步(x, x′)更新到禁忌表T中，令当前解x = x′并转第2步 13.1 禁忌搜索 终止条件 时间 迭代次数 目标函数值水平 13.1 禁忌搜索 终止条件 解的评价：目标函数值或其它的评价函数 禁忌长度：太短可能会导致循环，太长则可能丢掉最优解 完全禁忌的处理：结束算法，跳出当前解 特赦法则：如某个邻域解x′比较不错，那么即使x′被禁忌表禁忌，仍可以选取它作为新的当前解 13.2 模拟退火 找出问题的一个初始解x0，令x = x0，t = tmax（初始最高温度）。 如果终止条件满足，那么返回当前已找到的最优解，算法结束。 从当前解x的邻域N(x)中随机选取一个解x′，计算能量差Δf = f(x)?f(x′)，若Δf为负或是一个很小的正数，则令x = x′。 如果当前温度下的迭代次数超过上限则转第5步，否则转第3步。 令t = d(t)，其中d为温度变化函数，而后转第3步 13.2 模拟退火 初始温度: 统计推断法或简单试验 温度下降 时间等差下降 迭代次数等比下降 更为复杂的下降函数 13.2 模拟退火 抽象算法框架 Algorithm AnnealingD,Z(d: D; tmax, tmin, a: real; kmax: int; f: Z?real; Init: D?Z; N: Z?Set(Z)) begin let x = Init(d), t = tmax, xbest = x; while (t tmin) do let k = 0; while (k kmax) do if (|N(x)|=0) then break; let r = Random(0,|N(x)|), x’ = N(x)[r], delta = f(x) ? f(x’); if (delta0) ? (exp(-delat/t)Random(0,1)) then x ? x’; if (f(x) f(xbest)) then xbest ? x; //更新最优解 k ? k+1; t ? a*t; return xbest; end 13.3 遗传算法 遗传进化: 遗传性质以基因的形式包含在染色体中，基因中各个不同的位置控制着不同的特殊性质，基因杂交和基因突变能够产生对环境适应性更强的后代。通过优胜劣汰的自然选择，适应性更强的基因结构会被保留下来。 遗传算法: 将问题的解编码为“染色体”，组成编码的元素称为“基因”。在算法迭代过程中，按照“适者生存”的规律，选取适应度高的染色体进行复制，并对它们进行杂交和变异，产生新一代更适应环境的染色体群。 13.3 遗传算法 生成问题的一组初始解，将其作为初始群体。 如果终止条件满足，那么返回当前已找到的最优解，算法结束。 计算群体中每个个体的适应度，选取其中适应度较高的一些个体作为种群。 在种群个体之间进行杂交操作，得到新一代群体。 在新群体中选取少量个体进行变异操作，而后转第2步 13.3 遗传算法 选择操作: 适应度越高的个体被选中的概率越大 轮盘赌 13.3 遗传算法 选择操作: 适应度越高的个体被选中的概率越大 轮盘赌 按概率排序 锦标赛——个体之间两两相互竞争 13.3 遗传算法 杂交操作 0 1 1 0 1 0 1 1 0 0 1 1 1 1 0 0 0 1 1 0 1 1 0 0 0 0 1 1 0 1 1 1 13.3 遗传算法 抽象算法框架 Algorithm GeneticD,Z(d: D; N, len, gmax, rmax: int; f: Vector?real; Init: D?int?SetZ) begin let POP = Init(d, N), g = 0, xbest = (Min x: x?POP: f(x)); while (g gmax) do let POP1 = Roulette(POP, N, f); //选取种群 POP ? {}; for i=0 to N-1 do let (pa1, pa2) = (POP1[i], POP1[i