几种智能算法的原理和应用的介绍.ppt

3.2 模拟退火算法基本原理 （1）物理退火过程 ①加温过程。其目的是增强粒子的热运动，使其偏离平衡位置。当温度足够高时，固体将溶解为液体，溶解过程与系统的熵增过程联系，系统能量也随温度的升高而增大，使得每一粒子的状态都具有充分的随机性。 ②等温过程。物理学的知识告诉我们，对于与周围环境交换热量而温度不变的封闭系统，系统状态的自发变化总是朝自由能减少的方向进行，当自由能达到最小时，系统达到平衡态。 ③冷却过程。目的是使粒子的热运动减弱并渐趋有序，系统能量逐渐下降，从而得到低能的晶体结构。在常温时达到基态，内能减为最小。 退火是指将固体加热到足够高的温度，使分子呈随机排列状态，然后逐步降温使之冷却，最后分子以低能状态排列， 固体达到某种稳定状态。 物理退火过程的发展阶段 3.2 模拟退火算法基本原理 （2）数学表述 物体加热至一定温度后，所有分子在状态空间D中自由运动，随着温度的下降，分子逐渐停留在不同的状态。在温度最低时，分子重新以一定的结构排列。 在温度T, 分子停留在状态r满足Boltzmann概率分布: 其中： 表示分子能量的一个随机变量； 表示状态r的能量； 为Boltzmann常数， 为概率分布的标准化因子： ； 。 3.2 模拟退火算法基本原理 在同一个温度T，选定两个能量E1E2，有 四个能量点r = 1, 2, 3, 4 三个温度点t = 20, 5, 0.5 状态与温度关系的例子 r=1 r=2 r=3 r=4 T=20 0.269 0.256 0.243 0.232 T=5 0.329 0.269 0.221 0.181 T=0.5 0.865 0.117 0.016 0.002 3.2 模拟退火算法基本原理 （1）在同一个温度，分子停留在能量小状态的概率大于停留在能量大状态的概率; （2）温度越高，不同能量状态对应的概率相差越小；温度足够高时， 各状态对应概率基本相同; （3）随着温度的下降，能量最低状态对应概率越来越大；温度趋于0 时，其状态趋于1。 在一定温度下，搜索从一个状态随机地变化到另一个状态；随着温度的不断下降直到最低温度，搜索过程以概率1停留在最优解。 上表表明： 模拟退火算法求解思路： 3.3 优化问题与物理退火的类比 优化问题 物理退火 解 分子状态 最优解 能量最低状态 目标函数 能量 设定初始温度 熔解过程 Metropolis抽样 等温过程 温度的下降 冷却过程 4.粒子群算法 4.1 粒子群算法简介 4.2 粒子群算法的基本原则 4.3 粒子群算法的基本条件 4.4 粒子群算法的数学表述 4.1 粒子群算法简介 粒子群算法(particle swarm optimization，PSO)由Kennedy和Eberhart在1995年提出，该算法模拟鸟集群飞行觅食的行为，鸟之间通过集体的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。同遗传算法类似，也是一种基于群体叠代的，但并没有遗传算法用的交叉以及变异，而是粒子在解空间追随最优的粒子进行搜索。 PSO的优势在于简单容易实现同时又有深刻的智能背景，既适合科学研究，又特别适合工程应用，并且没有许多参数需要调整。 4.1 粒子群算法简介 鸟食 鸟 优化策略为两个动作的合成： （1）鸟群向距离食物最近的那只鸟的方向飞行 （2）每只鸟向自身的最优方向飞行 已知：（1）鸟的位置（2）距离食物最近的那只鸟 求解：这群鸟在最短时间搜寻到这块食物的飞行策略 模拟群鸟觅食过程 4.2 粒子群算法的基本原则 粒子群优化算法源于1987年Reynolds对鸟群社会系统boids的仿真研究，boids是一个CAS。在boids中，一群鸟在空中飞行，每个鸟遵守以下三条规则： （1）避免与相邻的鸟发生碰撞冲突； （2）尽量与自己周围的鸟在速度上保持协调和一致； （3）尽量试图向自己所认为的群体中靠近。 仅通过使用这三条规则，boids系统就出现非常逼真的群体聚集行为，鸟成群地在空中飞行，当遇到障碍时它们会分开绕行而过，随后又会重新形成群体。 4.3 粒子群算法的基本条件 基本条件 （1）目标搜索空间为D维空间。 （2）粒子群由m个粒子组成。 （3）第i个粒子在D维空间的位置为 （4）第i个粒子的飞翔速度为 （5）第i个粒子的最优位置 （6）全局最优位置 4.2 粒子群算法的数学表述 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