- 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
- 563327 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174221
- 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
7 j) H; Y# } ~7 j, }7 J+ p5 o优化算法0 o; M2 L2 E" G4 j$ C5 [1 s" }
v8 C e1 F# h7 k数学建模问题总共分为四类: 2 ]! ]- P! R7 S: A/ G0 q% j
1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题' f% X3 h" l( K* k5 \
2 e: m, J9 [+ H/ f
一、粒子群算法(PSO)
6 q0 r& S% {2 K6 J+ Q1 l) m4 ~9 O; p; 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。 3 J" \9 k/ S& F$ A
PSO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。
# D R. \2 M, U+ @/ G5 f4 r$ `$ n
基本PSO算法/ h* b# s: `" O$ m$ C
1 u9 J$ I) o7 D. G. W: f
D维空间中,有m个粒子; 1 b( }- L3 L, s. b
粒子i位置:xi=(xi1,xi2,…xiD)
( I( F, s* N7 V: \粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D O, y; F7 l6 T' v4 K
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
4 Z; u8 n7 P; ^1 p( A群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD)
, _5 `3 m7 e1 a! U( @; n. h5 G
3 Z) y8 o* d1 `9 ^& A- n$ E7 J* u# k
% O) _4 ~& ^* C4 P4 y二、模拟退火算法(SA)9 p6 K% @& p3 [8 `1 P5 C% F2 ?! ?
% G! Y# I& I& t2 k8 w
模拟退火过程: 9 h' r- ~) [* W5 a
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。 / z J, y4 W. K
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。 0 x9 v/ A" U* [3 F1 a( M5 B
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)。 l9 }1 |$ `0 N4 @1 M f
* Q7 ^+ S: q) o5 q$ N. A. K5 l三、遗传算法
3 g- {; t9 a3 I/ P+ o$ l# K, |) ^9 l+ A; D% e( C# Z' O
产生一个初始种群
6 K3 n9 T6 R/ a0 A8 q: [( I5 F根据问题的目标函数构造适值函数
/ V8 i( n# s2 i" l/ U" J* @根据适应值的好坏不断选择和繁殖 . u. n# p* Z' e
若干代后得到适应值最好的个体即为最优解' H0 r8 H( P# ]9 O. b
& d* D6 \5 l5 g9 s四、算法步骤 8 J+ B1 x1 a1 [/ K9 k
初始种群
) ]. q) o$ E! {6 C8 r U, H) w编码方法—二进制编码,可以对多个编码进行组合。
' p/ d: _% U0 D) D- ?适值函数,往往就是目标函数,以值得大小为依据 ! K. _. m3 J. z$ z' D Y
遗传运算,交叉和变异 6 ^8 i4 P5 ~" Z' F$ l
选择策略,算出适应度,根据比例采用转盘模型
" h6 N* J1 V N( L8 Q" S9 {停止准则5 T; B- l' H. T! w* h, w3 b
* y7 j. o7 l% ^参考:https://blog.csdn.net/zuochao_2013/article/details/71435105' \% w- z( O! d5 q( n9 z8 b
0 W' i1 c8 R4 p! o* n四、神经网络算法2 X6 V6 ^, S' C" t5 _6 {
) H' c5 B% G: N+ H+ [
和机器学习模型中的神经网络一样,用来分类或预测
! }: y6 t- D8 }9 }2 L4 U) ] O5 s
' J( u9 _8 {8 n8 ^, i# i五、禁忌搜索算法 (Tabu Search)
% E9 t9 @/ B, I, A, O4 Y, y }" V- j
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。
0 s2 a' D4 D" |4 m! |3 A3 @优点: , I; _. M+ d7 |- [* P) C* W1 l
1、容易理解,容易实现,具有较强的通用性; ( v3 d1 `* w1 t1 D) Q/ h t
2、局部开发能力强,收敛速度很快。
}0 i/ x. J# b6 m( C. N# E缺点:
1 B# ~# ]- n" g* M( p( G# y1、全局开发能力弱,只能搜索到局部最优解; / q- U. b# i. M0 n+ w
2、搜索结果完全依赖于初始解和邻域的映射关系。
( Y& |4 {- n: V0 X/ J
: Z8 n8 ~0 ]4 ]) w; d+ y将不相同的n件物品分为m组,可以用的编码: 5 k2 j2 b3 {9 O1 Z/ p! y+ J
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
* E5 j. i; P3 L0 P% vb、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 ; \( ?2 U+ L: A' k2 ^# ~/ Q* x$ h
(2)初始解的获取
# w5 B- n; L/ U; h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。 ! v" ~8 N( P$ }4 \" x& C$ E* o
(3)移动邻域 . e; w) ^ U% N3 T
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)。 + @$ \0 g2 A+ _: r
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。 0 @" n9 i. ~( d. C- J* T% S
(4)禁忌表 4 o! Y; \6 a4 ~& R J
禁忌表的作用:防止搜索出现循环 " v) x5 q* `* y% p) c
(5)渴望水平函数
- O0 Q L/ S2 P ]- F3 N [A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x)): h3 |( a9 n4 B7 C' U
6 g' I/ P# ]& A' v: j
六、蚁群算法(AS); h; M9 z0 h7 s4 N! I' ]7 ?8 D
Y5 ~& c, s2 g
% v' C0 Y* k9 J# X" ^. C' z8 b2 o+ d( x# |' _
) s4 y2 G1 H/ _4 _3 c& H8 a3 u- }2 b. B+ X: h0 `5 b3 m1 k/ O
) v+ g9 ?/ C* l/ ^$ q/ o( c: g) _" p* Y8 J1 z- N p
/ v1 J6 S+ c4 K) {+ U4 H7 D
( ~+ |$ o$ ^8 \
+ d" D* Q" X4 T, X# b5 p
( [! p8 }2 k4 B- U8 I |
zan
|