第三章--求解优化问题的智能算法教学内容.ppt

第 三 章 求解优化问题的智能算法;3.1 概述;随着近代科学技术发展的需要，特别是由于计算机技术的飞速发展，促进了最优化方法的迅速发展，并很快渗透到各个领域。 20世纪70年代，最优化方法这门应用技术科学又开始产生出最优设计、最优控制与最优管理等分支。到20世纪80年代，最优化技术又在这些分支中发展出了新的更细的分支，比如，工程技术领域的机械优化设计、建筑结构优化设计以及化工石油领域的优化设计等。;求解优化问题的步骤;转化为最小化问题。;(1)枚举法。 枚举出可行解集合内的所有可行解，以求出精确最优解。对于连续函数，该方法要求先对其进行离散化处理，这样就有可能产生离散误差而永远达不到最优解。另外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前最先进的计算工具上都无法求解。;(3)搜索算法。寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优解或近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和求解效率上达到—种较好的平衡。 ;以最速下降法、牛顿法和共扼方向法等为代表的传统优化算法具有完善的数学基础，具有计算效率高、可靠性强和比较成熟等特点。这些算法的基本迭代步骤如下：;3.1 概述——求解最优化问题的传统方法——最速下降法;3.1 概述——求解最优化问题的传统方法——牛顿法;3.1 概述——求解最优化问题的传统方法——共轭方向法;对目标函数和约束函数表达的要求必须更为宽松 计算的效率比理论上的最优性更重要 算法随时终止能够随时得到较好的解 对优化模型中数据的质量要求更为宽松;1975年，Holland提出遗传算法(Genetic Algorithm)。这种优化方法模仿生物种群中优胜劣汰的选择机制，通过种群中优势个体的繁衍进化来实现优化的功能。 1977年，Glover提出禁忌搜索(Tabu Search)算法。这种方法将记忆功能引入到最优解的搜索过程中，通过设置禁忌区阻止搜索过程中的重复，从而大大提高了寻优过程的搜索效率。 1983年，Kirkpatrick提出了模拟退火(Simulated Annealing)算法。这种算法模拟热力学中退火过程能使金属原子达到能量最低状态的机制，通过模拟的降温过程，按玻兹曼(Boltzmann)方程计算状态间的转移概率来引导搜索，从而使算法具有很好的全局搜索能力。;20世纪90年代初，Dorigo等提出蚁群优化算法(Ant Colony Optimization)算法。这种算法借鉴蚁群群体利用信息素相互传递信息来实现路径优化的机理，通过记忆路径信息素的变化来解决组合优化问题。 1995年，Kenedy和Eberhart提出粒子群优化(Particle Swarm Optimization)算法。这种方法模仿鸟类和鱼类群体觅食迁移中，个体与群体协调一致的机理，通过群体最优方向、个体最优方向和惯性方向的协调来求解实数优化问题。 1999年，Linhares提出了捕食搜索(Predatory Search)算法。这种算法模拟猛兽捕食中大范围搜寻和局部蹲守的特点，通过设置全局搜索和局部搜索间变换的阈值来协调两种不同的搜索模式，从而实现了对全局搜索能力和局部搜索能力的兼顾。;不以达到某个最优性条件或找到理论上的精确最优解为目标，而是更看重计算的速度和效率； 对目标函数和约束函数的要求十分宽松； 算法的基本思想都是来自对某种自然规律的模仿，具有人工智能的特点； 多数算法含有一个多个体的群体，寻优过程实际上就是种群的进化过程； 理论工作相对比较薄弱，一般说来都不能保证收敛到最优解。;由于算法理论薄弱，最早被称为“现代启发式(Modern Heuristics)”或“高级启发式(Advanced Heuristics)”； 从其人工智能的特点，被称为“智能计算(Intelligent Computation)”或“智能优化算法(Intelligent Optimization Algorithms)”； 从不以精确解为目标的特点，又被归到“软计算(Soft Computing)”方法中； 从种群进化的特点看，它们又可以称为“进化计算(Evolutionary Compuation)”； 从模仿自然规律的特点出发，又有人将它们称为“自然计算(Natural Computing)”。;应用智能优化算法解决各类问题是重点； 算法改进有很大的创新空间； 多种算法结合的混合算法是一条捷径； 不提倡刻意去追求理论成果； 算法性能的测算是一项要下真功夫的工作； 选择测试例题的一般规律：网上题库中的例题→文献中的例题→随机产生的例题→实际应用问题→自己编的例题； 算法性能测试的主要指标：达优率(解的目标平均值和最优解的目标值