基于群体智能仿生优化算法.pptVIP

基于群体的仿生优化算法 最优化问题 所谓最优化问题，就是指在满足一定的约束条件下，寻找一组参数值，以使某些最优性度量得到满足，即使系统的某些性能指标达到最大或最小。通常情况下，最优化问题是寻找最小值问题，寻找最大值问题可以转化为寻找最小值问题。 经典算法 包括线性规划法、二次规划法、非线性规划法以及动态规划法等。 这些算法在求解大规模问题时存在困难。如：线性规划法将模型线性化难以避免误差；二次规划法和非线性规划法一般要求目标函数连续可导，在实际应用中受限制；动态规划法对于高维问题将面临维数灾 智能算法求解最优化问题 人工智能的发展 符号主义 人类智能的基本单元是符号，而智能来自于谓词逻辑与符号推理，对于智能来说，重要的是知识的表示和由产生式系统表示的推理。其代表性成果是机器定理证明和各种专家系统 联结主义 联接主义强调结构产生智能，提出要模拟人脑的神经元网络结构，他们认为智能的基本单元是神经元，知识存在于由神经元组成的网络结构中 行为主义 行为主义体系下的群体智能 行为主义人工智能认为智能行为产生于主体与环境的交互过程中，复杂的行为可以通过分解成若干个简单的行为加以研究。主体根据环境刺激产生相应的反应，同时通过特定的反应来陈述引起这种反应的情景或刺激。因此他能以这种快速反馈替代传统人工智能中精确的数学模型，从而达到适应复杂、不确定和非结构化的客观环境的目的。 基于群体的仿生优化算法 智能主体能够自主地适应客观环境，而不依赖于设计者制定的规则或数学模型。属于进化计算的范畴。 遗传算法 蚁群算法 粒子群算法 鱼群算法 量子进化算法 群体智能算法的一般框架 算法空间变换和反变换 初始个体的产生准则 完全随机初始化 根据先验知识给出初始群体分布 接受准则以及收敛准则 最大迭代次数 最优解的最大停滞步数 最小偏差阀值以及群体个体趋同程度 搜索策略 群体智能算法都采用“生成＋检测”的群体迭代搜索框架 目标：产生适应度更高的个体 遗传算法 求下列一元函数的最大值： x∈[-1,2] ，求解结果精确到6位小数。 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 单点交叉运算 交叉前： 00000|01110000000010000 11100|00000111111000101 交叉后： 00000|00000111111000101 11100|01110000000010000 基本位变异算子 变异前： 000001110000000010000 变异后： 000001110001000010000 赌轮选择法 P(s1) = 0.14 P(s2) = 0.49 P(s3) = 0.06 P(s4) = 0.31 GA对TSP问题的求解 采用整数编码 交叉算子 部分匹配交叉 循环交叉 边重组交叉 最大保留交叉 边组装交叉 反序－重组算子 变异算子 基因换位 基因移位 基因倒位 蚁群算法 基本PSO算法 PSO算法数学表示如下： 设搜索空间为D维，总粒子数为n。第i个粒子位置表示为向量Xi=( xi1, xi2,…, xiD )；第i个粒子 “飞行”历史中的过去最优位置（即该位置对应解最优）为Pi=( pi1,pi2,…,piD )，其中第g个粒子的过去最优位置Pg为所有Pi ( i=1, …,n)中的最优；第i个粒子的位置变化率（速度）为向量Vi=(vi1, vi2,…, viD)。每个粒子的位置按如下公式进行变化（“飞行”）： 求解离散优化问题 直接实数编码方案 最小位置值规则 基于升序排列的规则 间接实数编码方案 解构建法 去模糊化法 离散化法 最小位置值规则 整数编码方案 根据对粒子速度的解释的不同，可分为三种子类型，它们分别将粒子速度看成①粒子中元素的置换序列 ②粒子中元素的交换序列 ③粒子中元素交叉和变异序列 ④粒子中元素删除插入序列 基于交叉和变异序列的离散粒子群算法 群体搜索的特点 群体智能算法的性能取决于一些相互影响、相互制约的关系。 “多样性”与“正反馈” “全局搜索”与“局部搜索” 多样性保证了群体不置走进进化的死胡同而无限循环，正反馈机制则保证了相对优良的信息能够被保存下来。多样性可以被看成是一种创造能力，而正反馈是一种学习强化能力。正反馈的力量也可以比喻成权威的意见，而多样性是打破权威体现的创造性。 全局搜索保证了系统的创新能力，局部搜索保证了优良特性能够得到强化，两者要恰到好处的结合。前者过强，也就是系统过于活跃，搜索过程会变成随机搜索，陷入混沌状态；反之，系统易陷入进化停滞状态