第六章 最近发展起来新算法.pptVIP

智能优化方法AI-Based Optimization Methods 第六章 最近发展起来的新算法 一.蚁群优化ACO 二. 粒子群优化 三.其它新方法 四.我们的工作：群落选址算法 一.蚁群优化（1） 蚁群优化的产生 蚁群优化 Ant Colony Optimization 在1995-1996年，Dorigo(Italy)提出ACO 基本思想 模拟蚂蚁选择路线的能力。即：蚂蚁以信息 素的强度为概率来决定路线选择。 ACO 整体往往大于部分的“简单和” 蚂蚁的低智能——蚁群的高智慧 蚂蚁的简单行为——蚁群的智能突现 实际蚁群的觅食 1、主体（agent)：蚂蚁 2、简单的规则（rules）：分工、通讯 3、相互作用（interaction）： 蚂蚁==触角放电==蚂蚁 蚂蚁==气味积累==环境 ACO 观察实际蚁群的觅食1： ACO 观察实际蚁群的觅食2： 用障碍物切断原来的通路 ACO 观察实际蚁群的觅食3： 搜索新路 ACO 观察实际蚁群的觅食4：最佳路径形成 一.蚁群优化（2） ACO的基本计算公式 ACO最早用来解决TSP问题 一.蚁群优化（3） 一.蚁群优化（4） 举例说明 一.蚁群优化（5） 信息素强度的计算 一.蚁群优化（6） ACO的基本算法步骤 初始化 令S=1,(S是tabu表的指标，即走过的城市数) 将所有的初始城市记入 一.蚁群优化（7） 重复以下步骤，直到tabu表填满（所有城市 走过）。令S=S+1,对k=1到m个城市，以 选择城市j移动，将j加入 。 对 （计算信息素，理解为每个蚂蚁在路径(i,j)上留下的总气味） 一.蚁群优化（8） 对 若NC大于 停止，否则转②，并清空tabu表 二. 粒子群优化（1） 粒子群优化（Particle Swarm Optimization） PSO的产生 1995年，Kennedy Eberhart 提出PSO PSO已经成为当今的热门 2003年，《控制与决策》第二期刊登国内第一篇PSO论文——综述文章 二. 粒子群优化（2） PSO的基本思想 模仿鸟群的飞行，觅食行为特征（用 Swarm仿真软件仿真） 保持惯性 按自身的最优修正方向 按群体的最优修正方向 二. 粒子群优化（3） PSO的特点 公式简单，待定系数少，可用来解实优化 二. 粒子群优化（4） PSO的基本公式 二. 粒子群优化（5） 其中： 二. 粒子群优化（6） PSO的计算步骤 初始化粒子群 ，给予随机的位置和速度 评估每个粒子的适应值 （目标函数值） 对每个粒子，更新历史最优位置 对群体更新历史最好解 二. 粒子群优化（7） 对所有粒子计算 若达到最大迭代数停止，否则转② 以上就是PSO最早最初始的经典算法，以后 有多种改进。 三. 其它新方法（1） 文化算法（Culture Algorithm） 文化算法的基本思想： 借鉴不同文化的相互排斥的特性，用到进化 算法中。 三. 其它新方法（2） 掠夺搜索策略（PSS） 掠夺搜索策略的基本思想： 模仿猛兽的捕食策略（广域与邻域有效结合 起来）。 三. 其它新方法（3） 人工生命算法 人工生命算法的基本思想： 模仿生态环境中多种种群的相互作用。 ALA 食物链： （来自生物学的解释） 生产者所固有的能量和物质，通过一系列取食和被食的关系在生态系统中传递，各种生物按其食物关系排列的链状顺序称为食物链（food chain)。 简单的生物链（下图所示） 食物链模式的人工生命算法思想 定义食物链 ALA 算法描述： Step1: 初始化（initalization） 产生四种相等数量的人工生物，并随机的布置在人工环境之中； 每种人工生物的初始能量是Ie； 产生四种相等数量的资源随机的布置在人工环境之中； 设定最大代数。 Step2:寻找资源（search resource) 人工生物在它们的邻域内，从当前位置寻找离它最近的资源 ALA Step3：移动时使用优值保留策略（elite reservation strategy）： 首先，如果它们发现它们想吃的最近的资源在它们的邻域内，它们就移向它； 其次，如果不是这样，它们就随机的在它们的邻域内移动；当随机移动时，采用优值保留策略即： 如果人工生物有高的适值，那么它们移动最小的距离，以便仅轻微的改变适值，并甚至得到能量Ee。因此具有更高适值的生物有更多的机会生存。 ALA Step 4: 新陈代谢（Metabolism）： 如果人工生物发现最近的资源正是它们想要的吃的（Metabolism），它们就吃了它