智能优化算法的部分精华笔试试题.docx

. . . 一、什么是 P 问题，什么是 NP问题？智能优化算法主要是针对什么问题而提出 的？ 解： （1） P 问题 （2） NP问题 （3） NP-C问题和 NP-Hard 问题 （4）智能优化算法主要是针对 组合优化问题 而提出的。当最优化问题中的可行 域 D 是一个由有限个元素组成的集合时， 该最优化问题称为组合优化问题。 通常 组合优化问题可表示为 min f(x) s.t. g(x) ≥0, x∈D. 典型的组合优化问题有旅行商问题，背包问题，并行排序问题等， 1 / 10 . . . 二、描述组合优化问题中的一个典型例子，并建立其数学模型。 解： （1）旅行商问题（ Traveling Salesman Problem ， TSP） （2）背包问题 （3）并行机排序问题 2 / 10 . . . 3 / 10 t t . . . 三、描述模拟退火算法中的接收准则。 步骤： 1、初始化可行解和温度； 2，根据 Boltzmann 概念退火； 3，重复第二步 直到稳定状态； 4，降温； 5，重复第二步至第四步直到满足终止条件或直到给定 步数。 6，输出最好的解作为最优解。 退火接收准则 ： 在一给定温度下， 由一个状态变到另一个状态， 每一个状态到达 的次数服从一个概率分布，即基于 Metropolis 接受准则的过程，该过程达到平 衡时停止。在状态 si 时，产生的状态 sj 被接受的概率为： 1, if f (si ) f (sj ) Aij (t ) exp( fij ), if f ( si ) f ( sj ) ，这里， fij f ( sj ) f ( si ) . 降温： 4 / 10 . . . 四、写出遗传算法中的两种交叉运算方法，并分别举例说明。 步骤： 1、随机初始化 popsize 个染色体； 2、用交叉算法更新染色体； 3、用变 异算法更新染色体； 4，计算所有染色体的目标值； 5，根据目标值计算每个染色 体的适应度； 6，通过轮盘赌的方法选择染色体。 7、重复第二至第六步直到终止 条件满足； 8、输出最好的染色体作为最优解。 评价函数： Eval(V) 是根据每个染色体 V的适应函数 fitness(V) 而得到与其他染色 体的比例关系，可用它来决定该染色体被选为种群的概率如： 轮盘赌选择过程： 交叉运算方法 ：双亲双子法（两父代交叉位之后的全部基因互换） 、变化交叉法 （从不相同的基因开始选取交叉位， 之后的方法同双亲双子法） 、 多交叉位法 （间 隔交换） 、双亲单子法（ 2 选 1）、显性遗传法（按位或） 、单亲遗传法（ 2-opt ） 等。 双亲双子交叉方法例子： 5 / 10 . . . 变异运算 ：单点、多点变异法； 2-opt 法； 用遗传算法解决实数编码求连续函数优化问题，写出一种变异的运算方法。 解： 再用单点变异法或多点变异法即可完成实数码的变异方法。 （随机选一个或 几个变异位取反） 6 / 10 . . . 五、解释蚁群智能优化算法息素的一种更新方法。 步骤： 1、初始化所有的信息素具有同样的量； 2、根据信息素构造人工蚂蚁行为 路线（解） ； 3、重复第二步直到所有人工蚂蚁完成一次行动； 4、根据当前最好 解更新路径上的信息素； 5、重复第二步至第四步直到终止条件满足； 6、输出最 好解作为最优解。 信息素的一种更新方法： 方法一： 方法二： 方法三： 7 / 10 . . . 人工蚂蚁路线的构造： 8 / 10 . . . 六、描述 Hopfiled 人工神经网络的函数逼近一连续函数的方法。 解： Step 1. Step 2. 构造函数逼近的能量函数，使得能量函数有好的稳定性，如 Err ( w)； 由能量函数 Err(w) ，根据 dzi dt Err (w ) 求解出动力系统方程 yi ； Step 3. 用数值计算的方法求解动力系统方程的平衡点，用定理判断平衡点是否