智能优化方法与复杂系统.pptVIP

智能优化方法与复杂系统 齐洁 东华大学信息学院 从复杂系统谈起 复杂系统 一般认为包含许多相似的组成部分，组成部分之间存在相互作用，作用的范围是其邻域。 组分之间的相互作用简单，但是突现(emerge)出来的全局现象复杂。 主要特点： 中等大小数目的组分 智能性和自适应性 局部信息，没有中央控制 Edge of Chaos Self-Organized Criticality 自组织临界 特征行为满足幂函数律 临界点——相变点：冰水混合时（0摄氏度） 临界点的特征： 关联长度为无穷 无特征尺度 自相似性 为什么对“SOC”感兴趣 自组织临界现象普遍存在性 存在于从自然界到社会经济几乎所有发展变化复杂系统中，其行为特征满足某种幂函数律。 演化到SOC状态的系统都能以一种精密的方式优化对资源的使用 生态系统进化形成了一种高效强大相互依赖连接的网络，能高效地使用有限的资源 网络系统如果在临界状态下工作，就能获得最高的数据传输效率； 在细胞生物学中发现，细胞膜一般工作在它们临界点的邻域内，这是为了利用在接近临界点时越来越高的生物敏感性。 SOC模型 沙堆模型 Bak－Snappen模型 森林火灾模型 考夫曼的基因网络 最终沙堆模型演化到临界状态，在临界状态，沙堆坍塌的规模的分布服从幂函数律。 大规模的坍塌少见，而小规模的坍塌占绝大多数 标度不变律。 Bak－Snappen模型 群落中有n个物种，物种i的适值为fi，在进化的每一步中，具有最差适值的物种及其相关的物种被选中，绝种或者变异（它们的适值被更新） 极值优化算法 n个变量对应n个物种 每个变量定义一个适应值 选出最差的适应值的变量，更新此变量 重复直至满足停止准则 以TSP问题为例说明EO算法的实现过程。 TSP问题中，一个城市被定义为一个物种。 在一个巡回中，城市i追求的局部最好是与相连接的城市之间有最短的路径，因而定义城市i的适值为 。并将其余各个城市与城市i的路径按从小到大排序，例如，与i相连的两个城市分别排在第p和q位，则记为pi和qi。 更新适值最差的城市m （按照2-opt的方法更新） EO算法的思考？ 与Bak－snappen模型的差别 只更新了选中的最差物种，而没有考虑关联物种 没有考虑邻域 进一步的思考 物种邻域的定义？ 物种之间的影响如何定义？ 算法是否演化到了临界状态？ 将SOC引入智能优化算法 谢谢大家！ Company Logo * 秩序 混沌 混沌的边缘 在混沌的边缘既不是混乱的又不是毫无生气的秩序，而具有创造力和不断涌现新意。 例如：生物利用混沌边缘的敏感性，来获得进化的活力 0 2 1 0 2 0 1 0 1 0 2 1 0 3 0 1 0 1 0 1 1 0 2 0 1 0 1 0 2 1 0 3 0 2 0 1 0 1 2 3 4 0 2 1 0 4 0 2 0 1 0 3 1 1 0 1 2 1 1 崩塌 沙堆模型 在演化过程中模型体现出了丰富的动态特性， 包括自组织临界状态的出现，适值的广泛分布， 大规模的物种灭亡和准平衡态等 数值结果显示对于Euclidean TSP问题， 在随机产生的城市数N=16,32,64,128和256的例子中， EO算法只比SA算法的精度差1%， 而在非Euclidean TSP问题中， EO算法得到的结果精度比SA算法的要高。 算法的搜索性能 SOC的特征 算法广域搜索的性能好 关联长度趋于无穷 算法搜索的分配 大范围的广域搜索频率小；小范围的局域搜索频率大 算法在各个搜索精度上都具有搜索能力 自相似性 断续平衡 大规模的波动概率小，小规模的波动概率大