计算群体智能.ppt

4.3.3 模拟退火算法的改进 模拟退火算法的优点 质量高； 初值鲁棒性强； 简单、通用、易实现。 模拟退火算法的缺点 由于要求较高的初始温度、较慢的降温速率、较低的终止温度，以及各温度下足够多次的抽样，因此优化过程较长。 4.3.3.1 模拟退火算法的优缺点 第五十六页，共一百零二页，2022年，8月28日 改进的可行方案 （1）设计合适的状态产生函数； （2）设计高效的退火历程； （3）避免状态的迂回搜索； （4）采用并行搜索结构； （5）避免陷入局部极小，改进对温度的控制方式； （6）选择合适的初始状态； （7）设计合适的算法终止准则。 4.3.3.2 改进内容 第五十七页，共一百零二页，2022年，8月28日 改进的方式 （1）增加升温或重升温过程，避免陷入局部极小； （2）增加记忆功能（记忆“Best so far”状态）； （3）增加补充搜索过程（以最优结果为初始解）； （4）对每一当前状态，采用多次搜索策略，以概率接受区域内的最优状态； （5）结合其它搜索机制的算法； （6）上述各方法的综合。 第五十八页，共一百零二页，2022年，8月28日 4.3.4 模拟退火算法的实现与应用 算法流程 30城市TSP问题（d*=423.741 by D B Fogel） 第五十九页，共一百零二页，2022年，8月28日 初始温度的计算 for i=1:100 route=randperm(CityNum); fval0(i)=CalDist(dislist,route); end t0=-(max(fval0)-min(fval0))/log(0.9); 第六十页，共一百零二页，2022年，8月28日 状态产生函数的设计 （1）互换操作，随机交换两个城市的顺序； （2）逆序操作，两个随机位置间的城市逆序； （3）插入操作，随机选择某点插入某随机位置。 2 8 3 5 9 1 4 6 7 2 8 3 5 9 1 4 6 7 2 8 3 5 9 1 4 6 7 2 8 1 5 9 3 4 6 7 2 8 3 4 1 9 5 6 7 2 3 5 9 8 1 4 6 7 第六十一页，共一百零二页，2022年，8月28日 参数设定 截止温度 tf=0.01; 退温系数 alpha=0.90; 内循环次数 L=200*CityNum; 第六十二页，共一百零二页，2022年，8月28日 运行过程 第六十三页，共一百零二页，2022年，8月28日 运行过程 第六十四页，共一百零二页，2022年，8月28日 运行过程 第六十五页，共一百零二页，2022年，8月28日 运行过程 第六十六页，共一百零二页，2022年，8月28日 运行过程 第六十七页，共一百零二页，2022年，8月28日 运行结果 第六十八页，共一百零二页，2022年，8月28日 4.4 蚁群算法 第六十九页，共一百零二页，2022年，8月28日 4.4.1 蚁群优化算法起源 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法． 第七十页，共一百零二页，2022年，8月28日 4.4.2 蚁群优化算法应用领域 这种方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。 第七十一页，共一百零二页，2022年，8月2