智能优化方法及MATLABGA工具箱简介.pptVIP

现代优化方法变异示例11010100父代01010101子代变异基因变异基因遗传算法的实现现代优化方法遗传算法的实现停止准则a）种群中个体的最大适应值超过预设定值b）种群中个体的平均适应值超过预设定值c）种群中个体的进化代数超过预设定值现代优化方法计算由简单的代数运算我们知道x=31。采用GA：1）编码：基于GA的优化问题求解实例1.禁忌搜索就是对于找到的一部分局部最优解，有意识地避开它从而获得更多的搜索区间。兔子们找到了泰山，它们之中的一只就会留守在这里，这就是禁忌搜索中“禁忌表（tabulist）”的含义,其他的再去别的地方寻找。就这样，一大圈后，把找到的几个山峰一比较，珠穆朗玛峰脱颖而出.2.模拟退火来自冶金学的专有名词退火。退火是将材料加热后再经特定速率冷却，目的是增大晶粒的体积，并且减少晶格中的缺陷。将热力学的理论套用到统计学，将搜寻空间内每一点想像成空气内的分子；分子的能量，就是它本身的动能；而搜寻空间内的每一点，也像空气分子一样带有“能量”，以表示该点对命题的合适程度。演算法先以搜寻空间内一个任意点作起始：每一步先选择一个“邻居”，然后再计算从现有位置到达“邻居”的概率。3.人工神经网络具有自学习和自适应的能力，可以通过预先提供的一批相互对应的输入－输出数据，分析掌握两者之间潜在的规律，最终根据这些规律，用新的输入数据来推算输出结果.*1.当一只找到食物以后，它会向环境释放一种信息素，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物！有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果新开辟的道路比原来的其他道路更短，那么，渐渐，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。2粒子群算法模拟鸟群的捕食行为。一群鸟在随机搜索食物，在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。最简单有效的策略就是搜寻目前离食物最近的鸟的周围区域。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。*截断选择：根据进行的选择，凡达到或超过某一标准(临界值)的个体均被保留，否则就淘汰的选择方法。锦标赛选择：在50个人中，随机选择两组人，每组10个人，对于每组的10个人按适应度进行排列，选择两组中适应度最好的两个个体作为母代进行两两交叉；然后再从剩下来的48个人中，随机选择两组人，每组10个人，对于每组的10个人按适应度进行排列，选择两组中适应度最好的两个个体作为母代进行两两交叉；依此类推，知道你选出的母代个数满足你的要求，这里母代个数肯定是少于50的。*均匀交叉：均匀交叉是指2个配对个体的每一个基因座上的基因都以相同的交叉概率进行交换,从而形成2个新的个体

洗牌交叉：洗牌交叉就是，将一个父基因取一半，再上来自另外一个父基因的一半，构成一个新的子基因。

*智能优化方法及MATLABGA工具箱简介2011.4自动化创新实践课程专题讲座陆宁云目录1优化问题2经典优化方法3现代优化方法4遗传算法5基于GA的优化问题求解实例6Matlab的GA工具箱简介优化问题简介生活中经常遇到的求利润最大、用料最省、效率最高等问题，都是优化问题。所谓最优化问题就是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。01最优化问题描述：其中为目标函数，为约束函数，S为约束域。01经典优化方法非线性规划线性规划动态规划。。。整数规划多目标规划线性规划研究线性约束条件下线性目标函数的极值问题的数学理论和方法。非线性规划具有非线性约束条件或目标函数的数学规划。动态规划解决多阶段决策过程最优化问题的优化方法。本质上还是一种非线性规划方法，核心是Bellman提出的最优性原理。经典优化方法经典优化方法4多目标规划研究目标函数多于一个时的最优化问题。5整数规划要求问题的最优解中的全部或一部分变量为整数的数学规划。从约束条件的构成又可细分为线性，二次和非线性的整数规划缺点：应用对象受限，计算量大，收敛速度慢现代优化方法现代优化算法又称智能优化算法或现代启发式算法，是一种具有全局优化性能、通用性强、且适合于并行处理的算法。这种算法一般具有严密的理论依据,而