8智能优化方法.ppt

3) 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 τ ij (t+n)= ρ . τ ij(t)+ △ τ ij, ρ ∈( 0,1) △ τ ij=∑mk= 1 △ τ kij 其中△ τ kij —— 第 k 只蚂蚁在本次循环中留在路径 (i,j) 上的信息量 ; △ τ ij —— 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 : Step1: NC← 0(NC 为迭代步数或搜索次数 ) ；各 τ ij 和△ τ ij 的初始 化；将 m 个蚂蚁置于 n 个顶点上； Step2: 将各蚂蚁的初始出发点置于当前解集中；对每个蚂蚁 k ( k =1, … , m ) 按概率 p k ij 移至下一顶点 j ；将顶点 j 置于当 前解集； Step3: 计算各蚂蚁的目标函数值 z k (k=1, … ,m) ，记录当前的最 好解； Step4: 按更新方程修改轨迹强度； Step5: 对各边弧 ( i ， j ) ( 即路径 ij ) ，置△ τ ij ← 0 ；NC←NC+ 1. Step6: 若 NC 预定的迭代次数且无退化行为 ( 即找到的都是相 同解 ), 则转 Step2. 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 将人工神经网络 成功地应用在组合优化问题。 人工神经网络模型是基于生物学中的神经网络的基 本原理而建立的。生物学中的神经网络简图如下： 第四节 基于神经网络的优化方法 第七章 现代优化方法 第二节 遗传算法 第三节 蚁群算法 第四节 基于神经网络的优化方法 第一节 绪论 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； 2. 对产品寿命周期优化的市场需求导致设计模型的纵向扩展 , 例如从功能优化、原理方案设计优化到技术设计优化 ; 从性 能参数优化、结构参数优化到面向制造的优化 ; 从设计参数 优化到加工方案和工艺参数 , 也即ＣＡＭ的优化 ; 最终直至 考虑产品可装配性、可使用性 , 可维修性和可回用性等的全 寿命周期优化； 3. 对产品的要求由技术性扩展到经济性和社会性 , 导致基于 全性能的多目标优化。 第一节 绪论 广义优化设计方法产生的背景 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。 现代优化是全系统优化 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。 现代优化是全性能协调优化 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。 现代优化是全设计过程优化 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。 现代优化是智能优化 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。 现代优化是多学科优化 航 天 、 航 空 、 通 讯 设 备 等 的 快 速 发 展 ， 提 出 了 大 量 的 复 杂 优 化 设 计 问 题 ， 为 现