随机优化问题常见方法.ppt

*模板来自于/*PPT模板下载：行业PPT模板：节日PPT模板：PPT素材下载：PPT背景图片：PPT图表下载：优秀PPT下载：PPT教程：Word教程：Excel教程：资料下载：PPT课件下载：范文下载：试卷下载：教案下载：随机优化问题

常见方法1234目录几种常见方法基于假设检验的模拟退火算法：

SimulatedAnnealing（SA）要点分析：针对随机优化问题的不确定性,提出一类基于假设检验的模拟退火算法.该方法通过多次评价来合理估计解的性能,利用假设检验减少重复性搜索,采用突跳性搜索避免局部极小,并通过温度控制调节突跳能力.算法原理：模拟退火算法来源于固体退火原理，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。基本思想及模型：基于假设检验的模拟退火（SA）算法：基本思想及模型：(1)初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L(2)对k=1，……，L做第(3)至第6步：(3)产生新解S′(4)计算增量Δt′=C(S′)-C(S)，其中C(S)为评价函数(5)若Δt′0则接受S′作为新的当前解，否则以概率exp(-Δt′/T)接受S′作为新的当前解.(6)如果满足终止条件则输出当前解作为最优解，结束程序。终止条件通常取为连续若干个新解都没有被接受时终止算法。(7)T逐渐减少，且T-0，然后转第2步。微粒群算法：

ParticleSwarmOptimization（PSO）算法原理：PSO算法是基于群体的，根据对环境的适应度将群体中的个体移动到好的区域。然而它不对个体使用演化算法，而是将每个个体看作是D维搜索空间中的一个没有体积的微粒（点），在搜索空间中以一定的速度飞行，这个速度根据它本身的飞行经验和同伴的飞行经验来动态调整。第i个微粒表示为Xi=(xi1,xi2,…，xiD），它经历过的最好位置（有最好的适应值）记为Pi=(pi1,pi2，…，piD），也称为pbest。在群体所有微粒经历过的最好位置的索引号用符号g表示，即Pg，也称为gbest。微粒i的速度用Vi=(vi1,vi2，…，viD）表示。思维依据：1）“认知”部分可以由Thorndike的效应法则（lawofeffect）所解释，即一个得到加强的随机行为在将来更有可能出现。这里的行为即“认知”，并假设获得正确的知识是得到加强的，这样的一个模型假定微粒被激励着去减小误差。2）“社会”部分可以由Bandura的替代强化（vicariousreinforcement）所解释。根据该理论的预期，当观察者观察到一个模型在加强某一行为时，将增加它实行该行为的几率。即微粒本身的认知将被其它微粒所模仿。3)心理学假设：在寻求一致的认知过程中，个体往往记住自身的信念，并同时考虑同事们的信念。当其察觉同事的信念较好的时候，将进行适应性地调整。算法流程：微粒群算法：初始化一群微粒（群体规模为m），包括随机的位置和速度；评价每个微粒的适应度；对每个微粒，将它的适应值和它经历过的最好位置pbest的作比较，如果较好，则将其作为当前的最好位置pbest；对每个微粒，将它的适应值和全局所经历最好位置gbest的作比较，如果较好，则重新设置gbest的索引号；根据方程⑴变化微粒的速度和位置；如未达到结束条件（通常为足够好的适应值或达到一个预设最大代数Gmax），回到b）要点分析：DE是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。DE保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE特有的记忆能力使其可