8智能优化方法汇总.pptxVIP

第七章 现代优化方法;1.现代机械产品的系统性,综合性、复杂性和规模化导致设计模型的横向扩展.例如,由零件的优化发展到部件,整机、系列和组合产品的优化,由单学科领域的优化发展到机、液、光、电、信息的集成优化；;工程优化的发展历程;传统优化往往只适用于简单零部件，广义优化把对象由此扩展到复杂零部件、整机、系列产品和组合产品的整体优化，可统称为全系统优化。;传统优化往往只侧重于某一方面性能的优化，处理不同类性能时一般分先后而优之。广义优化把优化准则由某方面性能扩展到各方面性能，要实现技术性、经济性和社会性的综合评估和优化。;传统优化往往局限于产品技术设计阶段的优化，广义优化则把优化的范围扩展到包含功能、原理方案和原理参数、结构方案、结构参数、结构形状和公差优化的全设计过程，进而面向制造、经销、使用和用后处置的寿命周期设计过程。;传统优化的搜索策略以数学规划方法为主，对模型数学形态的要求苛刻。广义优化设计注重开发、综合运用人类智能、人工智能和各种数学工具的新一代搜索策略，处理大规模复杂形态模型的能力显著提高，从而为全系统、全性能和全寿命周期优化模型的综合求解提供了可能。;传统优化一般是单学科、单方面性能、单计算机串行优化的过程，不但费时，而且难以得到综合优化解。广义优化实现了多学科、多方面性能、多计算机分布式并行协同优化,以追求综合优化解。;;　　遗传算法(Genetic Algorithm) 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是自然遗传学和计算机科学相互结合与渗透而形成的新的计算方法。 该方法最早是由美国Michigan大学的Holland教授于1975年提出。;遗传算法的二进制编码过程;二进制编码选例;适应度函数的确定;遗传算子;遗传算法的流程框图;确定种群规模n（一般ｎ=40-300) 、交叉概率pc（0.6到1.0之间)、交叉概率pm（0.001到0.01之间) 和迭代代数，令k=0； 随机产生的一组初始种群； 计算种群中每个解(个体)相应的目标函数值(适应度)，按每个个体的适应度占种群适应度的百分数分配选择率； 在所有个体中，选出适应度较大的ｎ个个体(有些个体是重复的)，这个过程称为选择； 在选择后的种群中，按交叉概率随机选取一对个体，进行交叉运算，产生一对新的个体，重复该过程； 在交叉后的种群中，按变异概率随机选取一个个体，进行变异运算，产生一个新的个体，重复该过程； K=k+1，若达到预定的迭代代数，则将种群中适应度最大的个体作为最优解输出，停止迭代；否则，转(3)。;遗传算法收敛判据;遗传算法理论研究;Number of instance of schema s at time t;选择算子;;交叉算子执行过程;各种交叉算子;1010011100110101;第三节 蚁群算法(Ant colony algorithm);基于蚂蚁觅食建立最短路径的机理，是一种自然算法； 具有本质并行性。所有蚂蚁独立、无监督的同时搜索解空间中许多点而不是一个点，因而能够快速全局收敛； 协同工作机制。蚂蚁选择路径时，根据以前蚂蚁留下的信息素进行搜索，能以很大的概率找到优化问题的最优解； 鲁棒性。使用概率规则而不是确定性规则指导搜索，不必知道其他辅助信息，有极好的鲁棒性和广泛的适应性； 易于与其他启发式算法结合，以改进算法的性能。;3. 人工蚁群算法原理;现以旅行商(Traveling Salesman Problem)问题的求解为例说明蚁群系统模型。;m——蚁群中蚂蚁的数量; dij——两城市i和j之间距离; bi(t)——t时刻位于城市i的蚂蚁的个数,m=∑ni=1 bi(t) ; τij(t)——t时刻边弧(i,j)的轨迹强度(即ij连线上残留的信息量)，且设τij(0) =C(C为常数)，i,j=0,1,…,n-1; η ij(t)——t时刻边弧(i,j)的能见度，反映由城市i转移到城市j的期望程度；;5. 蚁群算法步骤;当m个人工蚁按(1)式找到了可行解，则将各边的信息量用下式修改，即调整信息量的轨迹强度，更新方程为 τij(t+n)=ρ.τij(t)+△τij,ρ∈(0,1) △τij=∑mk=1△τkij 　　其中△τkij——第k只蚂蚁在本次循环中留在路径(i,j)上的信息量;△τij——本次循环中路径ij上的信息量的增量;参数ρ——轨迹的持久性;1-ρ——轨迹衰减度,表示信息消逝程度. ;对上述系统模型,采用人工蚁群方法求解的算法步骤可归结为:;6. 蚁群算法框图; 人工神经网络(Artificial Neural Networks)的早期工作可以追溯到1943年McCulloch和 Pitts建立的第一个用于分类的认知模型。20世纪80年代，Hopfield