基于群体智能的仿生优化算法.pptVIP

基于群体的仿生优化算法最优化问题所谓最优化问题，就是指在满足一定的约束条件下，寻找一组参数值，以使某些最优性度量得到满足，即使系统的某些性能指标达到最大或最小。通常情况下，最优化问题是寻找最小值问题，寻找最大值问题可以转化为寻找最小值问题。经典算法包括线性规划法、二次规划法、非线性规划法以及动态规划法等。这些算法在求解大规模问题时存在困难。如：线性规划法将模型线性化难以避免误差；二次规划法和非线性规划法一般要求目标函数连续可导，在实际应用中受限制；动态规划法对于高维问题将面临维数灾智能算法求解最优化问题人工智能的发展符号主义人类智能的基本单元是符号，而智能来自于谓词逻辑与符号推理，对于智能来说，重要的是知识的表示和由产生式系统表示的推理。其代表性成果是机器定理证明和各种专家系统联结主义联接主义强调结构产生智能，提出要模拟人脑的神经元网络结构，他们认为智能的基本单元是神经元，知识存在于由神经元组成的网络结构中行为主义行为主义体系下的群体智能行为主义人工智能认为智能行为产生于主体与环境的交互过程中，复杂的行为可以通过分解成若干个简单的行为加以研究。主体根据环境刺激产生相应的反应，同时通过特定的反应来陈述引起这种反应的情景或刺激。因此他能以这种快速反馈替代传统人工智能中精确的数学模型，从而达到适应复杂、不确定和非结构化的客观环境的目的。基于群体的仿生优化算法智能主体能够自主地适应客观环境，而不依赖于设计者制定的规则或数学模型。属于进化计算的范畴。遗传算法蚁群算法粒子群算法鱼群算法量子进化算法群体智能算法的一般框架算法空间变换和反变换初始个体的产生准则完全随机初始化根据先验知识给出初始群体分布接受准则以及收敛准则最大迭代次数最优解的最大停滞步数最小偏差阀值以及群体个体趋同程度搜索策略群体智能算法都采用“生成＋检测”的群体迭代搜索框架目标：产生适应度更高的个体遗传算法求下列一元函数的最大值：x∈[-1,2]，求解结果精确到6位小数。由于区间长度为3，求解结果精确到6位小数，因此可将自变量定义区间划分为3×106等份。又因为2213×106222，所以本例的二进制编码长度至少需要22位单点交叉运算交叉前：00000|0111000000001000011100|00000111111000101交叉后：00000|0000011111100010111100|01110000000010000基本位变异算子变异前：000001110000000010000变异后：000001110001000010000赌轮选择法P(s1)=0.14P(s2)=0.49P(s3)=0.06P(s4)=0.31GA对TSP问题的求解采用整数编码交叉算子部分匹配交叉循环交叉边重组交叉最大保留交叉边组装交叉反序－重组算子变异算子基因换位基因移位基因倒位蚁群算法基本PSO算法PSO算法数学表示如下：设搜索空间为D维，总粒子数为n。第i个粒子位置表示为向量Xi=(xi1,xi2,…,xiD)；第i个粒子“飞行”历史中的过去最优位置（即该位置对应解最优）为Pi=(pi1,pi2,…,piD)，其中第g个粒子的过去最优位置Pg为所有Pi(i=1,…,n)中的最优；第i个粒子的位置变化率（速度）为向量Vi=(vi1,vi2,…,viD)。每个粒子的位置按如下公式进行变化（“飞行”）：求解离散优化问题直接实数编码方案最小位置值规则基于升序排列的规则间接实数编码方案解构建法去模糊化法离散化法最小位置值规则整数编码方案根据对粒子速度的解释的不同，可分为三种子类型，它们分别将粒子速度看成①粒子中元素的置换序列②粒子中元素的交换序列③粒子中元素交叉和变异序列④粒子中元素删除插入序列基于交叉和变异序列的离散粒子群算法群体搜索的特点群体智能算法的性能取决于一些相互影响、相互制约的关系。“多样性”与“正反馈”“全局搜索”与“局部搜索”多样性保证了群体不置走进进化的死胡同而无限循环，正反馈机制则保证了相对优良的信息能够被保存下来。多样性可以被看成是一种创造能力，而正反馈是一种学习强化能力。正反馈的力量也可以比喻成权威的意见，而多样性是打破权威体现的创造性。全局搜索保证了系统的创新能力，局部搜索保证了优良特性能够得到强化，两者要恰到好处的结合。前者过强，也就是系统过于活跃，搜索过程会变成随机搜索，陷入混沌状态；反之，系统易陷入进化停滞状态