- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 82
- 收听数
- 1
- 能力
- 120 分
- 体力
- 568937 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 175904
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 精华
- 3
- 分享
- 0
- 好友
- 163
TA的每日心情 | 开心 2021-8-11 17:59 |
|---|
签到天数: 17 天 [LV.4]偶尔看看III 网络挑战赛参赛者 网络挑战赛参赛者 - 自我介绍
- 本人女,毕业于内蒙古科技大学,担任文职专业,毕业专业英语。
 群组: 2018美赛大象算法课程 群组: 2018美赛护航培训课程 群组: 2019年 数学中国站长建 群组: 2019年数据分析师课程 群组: 2018年大象老师国赛优 |
数学建模:优化算法; k/ r ?$ j4 c \
数学建模问题总共分为四类:
: Q8 n) L! W# C8 j" Q' `1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题7 f/ T& L4 c! t" e' p
# ?; Q! d. d" ~* n& U3 I
一、粒子群算法(PSO)
1 }) m& T1 S; G j" ~8 X( z6 J1 t7 X; p7 i& t
算法对于Hepper的模拟鸟群(鱼群)的模型进行修正,同遗传算法类似,也是一种基于群体叠代的,但并没有遗传算法用的交叉以及变异,而是粒子在解空间追随最优的粒子进行搜索。
6 M* h! a2 I. NPSO的优势在于简单,容易实现,无需梯度信息,参数少,特别是其天然的实数编码特点特别适合于处理实优化问题。同时又有深刻的智能背景,既适合科学研究,又特别适合工程应用。! W; \" _! ?* B6 {
& t1 `; @* O. t
基本PSO算法
. ?" m! p- ~$ P- Q8 h0 I" M
; w( a/ L# N; n6 v1 q* U7 QD维空间中,有m个粒子;
; G8 g7 F; U) p! t8 a粒子i位置:xi=(xi1,xi2,…xiD) * I, e8 J2 Z7 I# O3 `; b3 e
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D
6 e$ j k0 U( R; `* l粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
2 } M# x0 s; k9 d群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) 9 e& i( {0 G, m8 k9 \
; V6 S3 L% u. _4 }0 V6 c
" F: n+ s* \! }, e二、模拟退火算法(SA)9 I+ l' S3 E6 [# p N
4 k [ l8 N) H( w
模拟退火过程: 2 @8 ^9 F4 u; t$ a0 E
设定初始高温,相当于物理退火的加温过程。初始温度要足够高,在实际应用中,要根据以往的经验,通过反复实验来确定T0的值。
2 \# j n0 ^4 L热平衡达到,相当于物理退火的等温过程。是指在一个给定温度下,SA用特殊的抽样策略进行随机搜索,最终达到平衡状态的过程。这是SA算法的内循环过程。 , J1 i5 t* C0 s t
降温函数,相当于物理退火的冷却过程。用来控制温度的下降方式,这是SA算法的外循环过程。常用的降温函数有Tk+1=Tk-DT,Tk+1=Tk*r,其中r∈(0.95,0.99)。4 g$ g. ^% [$ {8 ? `* [" A# O& [
7 K+ q* l/ Y$ |/ l" G& l三、遗传算法' M8 P& k7 v" J7 }. R8 s6 ~* C _
T' m- ^7 V9 ~6 @8 q产生一个初始种群
2 p! Y! V$ T6 L+ s; ?根据问题的目标函数构造适值函数
+ c9 | m1 x: V) r) i4 F& Y8 e根据适应值的好坏不断选择和繁殖
1 a/ S6 G6 C$ A' ~/ O9 ]若干代后得到适应值最好的个体即为最优解
8 M! r% D( L4 n, a. }+ S: i
- Q/ N- A f& u0 z8 G1 r) X四、算法步骤 7 G4 ~9 c' l/ S* Y" j; L9 T
初始种群 6 K" {# z$ ?9 ^ S0 F
编码方法—二进制编码,可以对多个编码进行组合。
# e# H; u4 V& x& b适值函数,往往就是目标函数,以值得大小为依据
/ e# O2 `) z7 k W! f/ ~遗传运算,交叉和变异 . r' L) ?9 ?- z. d& E" A
选择策略,算出适应度,根据比例采用转盘模型 9 o K; w5 g3 K% U3 A6 O; j! v
停止准则
6 [8 w9 z4 B" ~& D: k
. o8 d4 b+ {) v) J1 S5 W3 q9 z# ?& c参考:https://blog.csdn.net/zuochao_2013/article/details/71435105
3 S( B$ j0 W7 Q, u5 n3 ^% w' j0 k% C3 T: @7 J' X( a
四、神经网络算法7 _$ S) N. D( T3 I/ {0 D
: g7 `2 t! B N3 z2 T6 x# g. p2 A E
和机器学习模型中的神经网络一样,用来分类或预测% X& e) o/ \/ \" A+ E" _* E* q0 g7 _
9 D4 ~9 V! ^$ M( r五、禁忌搜索算法 (Tabu Search)8 Y6 [7 O: A; B1 k. Y% }
2 j: i+ `& Z, q! L又称爬山启发式算法,从当前的节点开始,和周围的邻居节点的值进行比较。如果当前节点是最大的,那么返回当前节点,作为最大值(即山峰最高点);反之就用最高的邻居节点替换当前节点,从而实现向山峰的高处攀爬的目的。它是禁忌搜索的基础,TS算法是在其上改进而来。 ! V% L& K# F$ d- }
优点: : [0 F) v M: m( g
1、容易理解,容易实现,具有较强的通用性; ! z7 N' x3 o$ K. d- R
2、局部开发能力强,收敛速度很快。 9 P, R) r6 C% F# ^* {
缺点: + Y9 s+ P( R4 W
1、全局开发能力弱,只能搜索到局部最优解;
0 ^2 B' `( |8 W8 o& |1 ]. ?2、搜索结果完全依赖于初始解和邻域的映射关系。8 e! M/ b) U( `) T( W! N Q4 b$ ?
# l; t$ Z' C, ? `
将不相同的n件物品分为m组,可以用的编码: 0 U% z" I0 y8 Y4 w6 O( R
a、带分隔符的顺序编码,以自然数1~n分别代表n件物品如:1-3-4-0-2-6-7-5-0-8-9 ( x/ u( r2 d6 n. W# Q7 @; y# v
b、自然数编码,每一位分别代表一件物品,而每一位的值代表该物品所在的分组。如:1-2-1-1-2-2-2-3-3 3 H: h: ^2 Q- L0 p& u2 T- K1 N1 U2 g
(2)初始解的获取 ; g d& \5 e/ x) H c0 t& C ~
可以随机给出初始解,也可以事先使用其他启发式等算法给出一个较好的初始解。
, c& b, a5 c8 X! q1 }! g. d; t3 j(3)移动邻域 " j. [' Y5 [% m$ e/ s8 H
移动是从当前解产生新解的途径,例如上述问题中用移动s产生新解s(x)。
2 D b5 }4 _, V5 c6 G从当前解可以进行的所有移动构成邻域,也可以理解为从当前解经过“一步”可以到达的区域。
( }8 ?; X2 w- S4 ~/ v(4)禁忌表 - m( q' w j$ D Z+ j5 n
禁忌表的作用:防止搜索出现循环
" ?! {9 u; z" M$ y2 J8 M9 m(5)渴望水平函数
, m# K$ L5 Q3 f5 w0 r& Y3 WA(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))
, w, G9 a# ^* H3 C. {, e5 j
i# M }& k3 D* k) b8 _1 j3 ^六、蚁群算法(AS)
6 a& [; z; v0 O4 B, W
, D# ]# s: H+ c& } Y
( D( d) w7 t3 O参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop
' i' f5 s8 [6 d1 |3 q--------------------- 4 D o7 ]$ t) {8 y0 W
作者:_朝闻道_ 9 B7 U; x, X& M) w
来源:CSDN
. g4 a% X( k1 J. f. V
0 y1 K- @) p; Z" I
' h/ N& M3 N# V8 Z, Z8 I
# M8 t5 `0 Z2 p* `0 S! c. G
5 T/ N& B2 s }/ [, @ |
zan
|