几种智能算法概述及其应用演示幻灯片课件.ppt
几种智能算法概述及其应用,汇报内容,几种智能算法概述,1.,遗传算法,2.,粒子群算法,3.,模拟退火算法,4.,蚁群算法,2,2020/4/12,智能算法概述,1,、遗传算法,遗传算法（,Genetic,Algorithm,，,GA,）是一种进化算法，其基本,原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传,算法的做法是把问题参数编码为染色体，,再利用迭代的方式进行选择、交叉以及,变异等运算来交换种群中染色体的信息，,最终生成符合优化目标的染色体。,3,2020/4/12,智能算法概述,染色体：生物遗传物质主要载体。,基因：扩展生物性状的遗传物质,的功能单元和结构单位。,基因座：染色体中基因的位置。,等位基因：基因所取的值,。,生物遗传概念,遗产算法中的应用,适者生存,目标值比较大的解被选择的可能性大,个体,可能解,染色体,解的编码（字符串、向量等）,基因,解中每一分量的特征,适应性,适应函数值,群体,根据适应函数值选定的一组解（解的个数为群,体的规模）,婚配,交叉选择两个染色体进行交叉产生一组新的染,色体的过程,变异,编码的某一分量发生变化的过程,1,、遗传算法,4,2020/4/12,智能算法概述,遗传算法流程,遗传算法改进方向,1,、遗传算法与非线性规划结合,2,、与,BP,神经网络结合,3,、基于量子遗传算,法寻优,4,、多种群遗传算法,5,、多层编码遗传算法,1,、遗传算法,5,2020/4/12,智能算法概述,TSP,（旅行商问题）问,题描述与结果：,已知,n,个城市互相之,间距离，某人从某城市,出发访问每个城市且仅,一次，如何安排才能使,其所走路线最短,1,、遗传算法,6,2020/4/12,智能算法概述,制孔路径优化,在飞机装配线上用机器,人带动末端执行器进行制,孔，执行器由初始位置依,次移动到每一孔位，最后,返回初始位置，目标为所,走路径最短，时间最少,产品生产安排,一个周期内生产,n,种,产品，开销包括制造成,本以及产品转换开支，,因此生产成本与生产顺,序有关，目标为使转换,成本最低,1,、遗传算法,7,2020/4/12,智能算法概述,2,、粒子群算法产生背景,粒子群算法（,Particle Swarm Optimization,，,PSO,）源于,对鸟类捕食行为的研究，一群鸟随机分布在一个区域中，在这,片区域只有一块食物，鸟类捕食时，所有鸟都不知道食物在哪,里，但是他们知道当前位置距离食物,还有多远，那么找到食物最简单有效,的策略就是搜寻当前距离食物最近的,鸟的周围区域。,8,2020/4/12,智能算法概述,2,、粒子群算法基本思想,每个潜在解都是搜索空间的一只鸟，称之为“粒子”，所有粒子,都有一个由被优化函数决定的适应值，还有一个速度决定其飞行方,向及距离。粒子们追随当前最优粒子在解空间搜索，然后通过迭代,找到最优解。在每一次的迭代中，粒子根据两个极值来更新自己：,粒子本身变化过程中的最优解，称为个体极值,整个种群目前找到的最优解，称为全局极值,有时为了避免陷入局部最优，可使用整体中一部分作为粒子邻居，,则所有邻居中的极值就是局部极值。,9,2020/4/12,智能算法概述,2,、粒子群算法基本模型,设群体规模为,N,，目标搜索空间为,D,维。,?,?,1,1,T,i,i,i,iD,X,v,v,v,?,?,?,1,2,i,i,N,?,?,?,1,1,T,i,i,i,iD,V,v,v,v,?,1,2,i,N,?,?,?,1,1,T,i,i,i,iD,P,p,p,p,?,表示第,个粒子的位置。,表示,i,的飞翔速度,表示,i,自身搜索到的最优点,?,?,?,?,1,1,1,2,2,1,1,k,k,k,k,k,k,id,id,d,id,id,d,gd,id,k,k,k,id,id,id,v,v,c,r,p,x,c,r,p,x,x,x,v,?,?,?,?,?,?,?,?,?,?,10,2020/4/12,智能算法概述,2,、粒子群算法基本模型,学习因子,c1,：,c1=0,，则只有社会，,没有自我,学习因子,c2,：,c2=0,，则只有自我，,没有社会,11,2020/4/12,智能算法概述,2,、粒子群算法改进加入惯性权重,由基本粒子群算法模型,中粒子位置进化方程可看,出，不同时刻位置由飞行,速度决定，因此飞行速度,大小直接影响算法的全局,收敛性。,惯性权重分类：,1.,固定权重，种群规模,越大，所需权重越小,2.,时变权重,3.,随机权重,12,2020/4/12,智能算法概述,3,、模拟退火算法背景,退火是指将固体加热到足够高的温度，使分子呈现随机,排列状态，然后逐步降温使之冷却，最后分子以低能状态排,列，固体达到某种稳定状态。该过,程属于热力学范畴，主要由三部分,组成：加温过程、等温过程以及冷,却过程。,13,2020/4/12,智能算法概述,3,、模拟退火算法,由统计力学研究表明，在温度,T,，分子滞留在状态,r,的概率,满足波兹曼概率分布,P,?,?,=,?,?,=,1,?,?,?,?,?,?,?,?,?,其中，,为状态,r,的能量，,为概率分布的标准化因子,?,?,?,?,?,S,D,exp,?,?,s,?,?,?,?,?,=,当,时,即分子停留在能量小的状态概率大,1,2,E,E,?,?,?,?,?,?,?,1,2,1,1,2,B,B,E,-,E,-,=,1-,exp,-,k,T,E,1,P,E,=,E,P,E,=,E,exp,-,Z,T,k,T,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,14,2020/4/12,智能算法概述,3,、模拟退火算法流程,初始化：初始温度,T,（充分大），初始解状态,S,（算法迭代的,起点），,每个,T,值的迭代次数,L,对,做第三至第六步：,对当前解随机扰动，产生新解,S,计算增量,，其中,为评价函数,若,0,则接受,S,为新的当前解，否则以,概率接,受,S,作为新的当前解,如果满足终止条件则输出当前解作为最优解，结束程序,?,?,?,S,f,?,?,?,?,2,1,S,S,df,f,f,?,?,?,?,exp,/,df,T,?,1,k,L,?,15,2020/4/12,智能算法概述,4,、蚁群算法背景,单个的蚂蚁为了避免自己迷路，它,在爬行时，同时也会释放一种特殊的分,泌物,信息素，信息素浓度越高，表,示对应路径越短。当一条路上的信息素,越来越多，后来的蚂蚁选择这条路径的,概率也就越来越大，从而进一步增加了,该路径的信息素浓度。,16,2020/4/12,智能算法概述,4,、蚁群算法模型,蚁群转移概率公式,信息更新公式,Ant cycle system,Ant quantity system,Ant density system,?,?,?,?,?,?,?,?,?,?,?,?,?,?,0,k,k,k,s,J,i,i,j,i,j,if,j,J,i,i,s,i,s,p,i,j,otherwise,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,1,1,1,0,ij,ij,ij,ij,n,k,ij,k,t,t,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,?,/,0,ij,k,k,Q,L,?,?,?,?,?,其他,/,0,ij,ij,k,Q,d,?,?,?,?,?,?,?,其他,0,ij,k,Q,?,?,?,?,?,其他,17,2020/4/12,智能算法概述,4,、蚁群算法二维路径规划,问题描述与流程,二维空间中存在,4,个障碍物，寻求一条,从起点,S,到终点,T,的最优路径,空间模型建立,初始路径规划,初始化参数,开始搜索,到达终点,信息素更新,是否结束,得到最优路径,是,否,18,2020/4/12,智能算法概述,4,、蚁群算法路径规划结果,19,2020/4/12,谢谢观看,20,2020/4/12,
