智能优化算法解析 第5章 基于人类行为的智能优化算法.pptVIP

************************************************************求解过程5.2.4典型问题求解案例定义目标函数定义更新函数，用于更新禁忌表定义判断函数，用于判断候选解是否在禁忌表中*求解过程5.2.4典型问题求解案例(3)实施禁忌搜索算法程序主循环，包含产生邻域解和候选解，对其判断藐视准则，以进行当前解和当前最优解的更新*求解过程5.2.4典型问题求解案例(4)绘制算法运行图形*5.2.5前沿进展案例分析：禁忌搜索算法优化BP神经网络BP神经网络存在收敛速度慢和易陷入局部最优的问题，导致网络参数优化困难。因此，可以通过结合禁忌算法的全局优化能力，实现BP神经网络参数的全局优化。初始化BP神经网络初始化禁忌算法进行网络训练禁忌算法寻优，通过藐视准则和禁忌表，更新当前解和当前最优解判断停止准则5.3头脑风暴优化算法*5.3.1头脑风暴法概述头脑风暴优化算法的起源受人类开会过程集思广益的启发，2011年史玉回教授在第二届AdvancesinSwarmIntelligence国际会议中提出了一种新的头脑风暴优化(BrainStormOptimization,BSO)算法。该算法采用聚类思想搜索局部最优，再通过比较局部最优得到全局最优。首次发表在TheSecondInternationalConferenceonSwarmIntelligence*5.3.1头脑风暴法概述头脑风暴法的基本概念头脑风暴法是一种激发人类思维，以寻找问题最优解的方法。头脑风暴法的核心是，让参会人员围绕中心话题畅所欲言，通过思想碰撞、观念融合，得到问题的最优解。头脑风暴法所蕴含的开放性和协作精神为BSO算法的设计提供了宝贵的启示，有助于在算法研究中实现高效的优化和创新*5.3.1头脑风暴法概述头脑风暴法的组成从明确问题到会后评价，头脑风暴法一般分为三个阶段。第一阶段为明确阐述问题，主持人介绍问题。如果专家对问题感到困惑，主持人应该利用案例形式对问题进行分析。第二阶段为主持人记录专家提出的所有见解，并积极鼓励专家自由提出见解。第三阶段为专家以鉴别眼光讨论所有列出的见解，也可以让另一组专家来进行评价。头脑风暴法遵循的四个原则：庭外判决原则(延迟评判原则)，对各种意见的评判必须放到最后阶段自由畅想原则，鼓励各抒己见，创造一种自由、活跃的气氛以量求质，意见越多，产生好意见的可能性越大综合改善原则，强调相互启发、相互补充和相互完善*5.3.2算法原理头脑风暴优化算法的主要构成BSO算法中的每一个体都代表一个问题的解，利用个体的演化和融合进行更新，通过反复迭代求得问题的最优值。BSO算法主要由聚类和变异两部分组成，利用聚与散相辅相承的搜索机制来搜索最优解。聚类BSO算法采用K-means聚类机制，将相同领域或者相似领域的成员分为一组。所有个体可以聚集成几个集群，每个集群的中心可以是该集群中目标函数最优的个体，也可以是距离空间的中间个体*5.3.2算法原理头脑风暴优化算法的主要构成K-means聚类K-means聚类是一种经典的无监督聚类算法，用于将数据集划分为K类。该算法的目标是使得数据点与其所属聚类中心之间距离的平方和达到最小。K-means聚类算法具体操作步骤如下：初始化。随机选择K个初始聚类中心点分配数据点。对于每个数据点，计算其与各个聚类中心的距离，并将其分配到距离最近的聚类中心所对应的类更新聚类中心。对于每个类，计算所有属于该类的数据点的均值，将该均值作为新的聚类中心重复步骤2和3，直到聚类中心满足停止误差准则，或达到预定的迭代次数输出结果。最终得到K个聚类中心，以及每个数据点所属的类*5.3.2算法原理头脑风暴优化算法的主要构成变异为了避免BSO算法陷入局部最优，采用变异思想增加算法解的多样性，从而有助于得到全局最优解。变异过程主要由个体生成、个体变异构成个体生成个体生成用于从集群中选择临时个体，定义生成的临时解个体为： 。根据概率选择如下方式生成临时个体A，即：随机选中一个类，选择此类的聚类中心随机选中一个类，选择此类中的一个随机个体随机选中两个类，把这两个类的聚类中心进行生成融合随机选中两个类，分别从这两个类中随机选出一个个体进行生成融合*5.3.2算法原理头脑风暴优化算法的主要构成个体变异个体变异是对选择的临时解个体叠加随机扰动，以增强算法的全局