智能优化方法AI-Based Optimization Methods课件.pptVIP

ALA Step 7: 减少能量（Reduce Energy）： 所有的生物将减少能量Le。如果某个人工生物的能量少有Ld，则它将死掉，同时从人工环境中移走。 Step 8:增长代数（Increasing genernation）： 代数增加1； 如果代数小于结束的代数，返回Step 2； 否则结束计算。 * ALA 韩国学者Bo-Suk Yang 等人在《Optimum design of short journal bearings by artificial life algorithm》一文中，应用该算法进行短经向轴承的优化设计。 * 四.我们的工作：群落选址算法Colony Location Algorithm (CLA) 基本思想 模拟植物群落形成机制 － －土地含有的适于植物生长营养成分； 不同物种间对生存资源的竞争； 人工干预手段——施肥策略。 * CLA 养分函数 Nij(t): 在 t 时刻，土地 j 对群落 i 的养分。 加上时间t ，是因为施肥可以改变肥力。 对于指派问题，A为工作时间，（极小化） Nij(t)＝1／aij , 即可。 对于TSP， Nij(t)＝1／dij , 即可。 对于QAP，怎么设？ * CLA 生长率与衰亡率 生长率： r 是平均生长率， 是所有土地对i 的平均肥力。 （行均值） * 衰亡率： 是土地 j 对所有群落的肥力的均值。 （列均值） CLA * CLA 群落比例与归一化 设 xij(t) 是群落 i 在土地 j 上的比例； 生长过程带来比例的和不是1。 行、列归一化，反复进行。 * 生长过程 CLA * CLA 解的构成与评估 xij(t) 不是解。 以xij(t) 为概率，在每块土地上产生一个群落， 问题是要保证一个群落不能同时在两块土地上—解的合法性。 其实很简单，按随机顺序，在剩余群落中选。 * CLA 施肥过程 若S(k*)是最好解； 或者 * CLA 解的信息熵的计算 解的信息熵： * CLA 停止判据 停止准则的计算： * 指派问题的计算结果 * * * CLA TSP的计算结果 全国33城市的TSP计算结果好于文献的结果，但TSP.Lab 测试题的计算结果不好。 工作还需要继续进行。 * CLA QAP的计算结果 自己编的题目计算结果不错 但对大规模问题计算效果不好，还需要做很多工作。 包括养分函数的设置方法都还是问题。 * 欢迎提问，批评。 谢谢大家！ * 课程全部结束谢谢！ * * 智能优化方法AI-Based Optimization Methods By Professor Dingwei Wang Northeastern University China 2004 * 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 * 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。 一.蚁群优化（1） * 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 * ACO的基本计算公式 ACO最早用来解决TSP问题 一.蚁群优化（2） 蚂蚁标号 迭代次数 信息素的影响 * 一.蚁群优化（3） * 举例说明 一.蚁群优化（4） 1 5 3 4 2 * 信息素强度的计算 一.蚁群优化（5） 蚂蚁k的巡回长度 常量 所有蚂蚁留下的信息 信息素增量 遗忘因子 * 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（6） * 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