智能优化算法解析 第4章 基于化学原理的智能优化算法.pptVIP

****************************************4.3.4典型问题求解案例(4)MGA主循环求解过程*4.3.4典型问题求解案例(5)绘制算法运行图形(6)目标函数求解过程*4.3.4典型问题求解案例求解过程从图中的收敛曲线可以看出，材料生成算法在迭代初期，目标函数值就开始迅速下降，并在后续迭代中保持了较好的稳定性。*本章小结基于化学原理的智能优化算法CRO：模拟化学反应中分子的相互作用，广泛应用于求解非确定性的组合优化问题ACROA：模拟化学反应中的单分子和双分子反应，具备较好的全局搜索和局部搜索能力，可以在较短的时间内获得最优或满意解MGA：感来源于材料化学,能够在解空间中进行全面搜索，在处理复杂优化问题时具有更高的效率和稳定性感谢聆听！****************************4.2.2算法描述合成反应：首先，确定两个反应物的不匹配位。然后，依次从第一个反应物的不匹配位和第二个反应物的不匹配位中选择一个位，以形成新的反应物。应用化学反应-双分子反应*4.2.2算法描述置换反应：根据一个随机生成的掩码，类似于均匀交叉掩码，考虑两个反应物字符串的每个位位置进行信息交换。如果字符串中相应位位置的掩码值为1，则反应物的位不交换。应用化学反应-双分子反应*4.2.2算法描述氧化还原2反应：随机选择两点，并交换这两点之间反应物的位，类似于遗传算法中使用的二点交叉。应用化学反应-双分子反应*4.2.2算法描述分解反应：在反应物字符串中随机选择两个点，然后反转这两点之间的位。应用化学反应-单分子反应氧化还原1反应：随机选择一个位，并将其从0变为1或从1变为0。双分子和单分子的反应考虑了算法局部利用和全局勘探的搜索平衡，具有一定跳出局部最优解的能力。*4.2.2算法描述反应物更新：如果新生成的反应物具有更低的焓，则将其加入最优解集。反之，执行可逆反应，还原初始具有更低焓的反应物。算法通过反应物更新过程，能够有效保留高质量解，进而获得满意解或最优解。判断终止条件：当算法满足终止条件(例如达到最大迭代次数)时，人工化学反应优化算法将终止。否则，将重复执行步骤应用化学反应和反应物更新。反应物更新与判断终止条件*4.2.3算法流程算法流程图*4.2.3算法流程算法流程图步骤1：初始化问题和算法参数。步骤2：设置初始反应物和评估。步骤3：应用化学反应：先判断单分子还是双分子反应，再判断化学反应类型。步骤4：反应物更新，判断焓是否降低。步骤5：判断终止条件，如果不满足则重复步骤3和步骤4。*4.2.4典型问题求解案例求解最小值*4.1.4典型问题求解案例求解过程(1)参数初始化设置*4.1.4典型问题求解案例求解过程(2)ACROA主循环*4.1.4典型问题求解案例求解过程*4.1.4典型问题求解案例求解过程(3)绘制收敛曲线(4)计算分子的焓值(5)分解反应*4.1.4典型问题求解案例求解过程(6)氧化还原1反应(7)合成反应(8)取代反应(9)取代反应*4.3.4典型问题求解案例求解过程实验结果如图所示。从收敛曲线可以看出，ACROA在迭代初期目标函数值就迅速降低了，并在后续迭代中保持了较好的稳定性。*4.2.5前沿进展2020年，王建辉等人提出了一种混合人工化学反应优化算法，用于有效地求解0-1背包问题。该方法首先把化学反应分成单分子和双分子两种反应类型，并对这两种类型中的不同化学反应进行二进制编码。接着，该方法引入一个贪婪算子来修正反应过程的随机选择所产生的非可行解，并通过局部和全局搜索来获得问题的最优解。2020年，Singh等人提出了一种混合人工化学反应优化算法用于解决传统人工化学反应优化算法收敛速度较慢的问题。此外，该方法还使用了遗传算法的交叉和变异算子来平衡收敛速度与搜索范围。2021年，张亚钏等人提出了一种将人工化学反应优化算法与狼群算法相结合的特征选择算法。该方法先模拟狼群的群体智能行为，然后使用人工化学反应优化算法改变人工狼的位置，进而使算法快速找到最优解。前沿进展*4.2.5前沿进展2020年，Singh等人提出了一种混合人工化学反应优化算法用于