- 在线时间
- 1630 小时
- 最后登录
- 2024-1-29
- 注册时间
- 2017-5-16
- 听众数
- 81
- 收听数
- 1
- 能力
- 120 分
- 体力
- 540759 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167606
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5324
- 主题
- 5250
- 精华
- 18
- 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
. z8 o- G8 I( W5 w4 J数学建模问题总共分为四类: D0 T8 ?) F) ? y4 b- b! s" q
1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题5 i+ N- B2 l8 m
z" X) L$ P# w* u" T# X! y) A
一、粒子群算法(PSO)7 G, |( W m2 V3 V6 F
! s0 ]2 E$ X# @( I* s
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。 % x: K7 V. v7 x7 @- v% u0 C$ v7 x
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。
1 K! A) w$ o; V, H p. W. p$ E3 X, Q" f7 r
) m0 J5 G# z7 Z* H基本PSO算法& v5 Y& \! g, b L8 S" M. R
5 _ b1 ~! K4 H
D维空间中,有m个粒子; , y! @8 [) x4 q) ~5 ]1 u1 N) f
粒子i位置:xi=(xi1,xi2,…xiD)
Y# E r1 U+ k粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D 0 h$ J" D3 n( T( E6 m5 p% b8 J
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD) & g/ \6 d/ c) y
群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) 2 Z0 H5 n; F$ k7 o) v# ^
; k z# D* O2 _" z5 e
7 I# J/ [" L1 \: C二、模拟退火算法(SA)/ H- u: a1 B0 B4 e- b# o. }$ {
0 Y. R, i _( ?; Y* @) r) ^2 }( @9 [% R模拟退火过程: 4 ]3 B* K5 [5 V7 k- j$ G
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。 ! b! n. t9 ?7 X0 I
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。 9 }9 p1 B2 p; @
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)。* j# G6 o4 X2 x2 h& J
, o3 I4 k8 k, H- C- g! _1 q5 F0 D三、遗传算法
8 k! }, z1 G, _* k
) r1 k% R5 o. ]3 w- x产生一个初始种群 7 X' b) ] @6 [% }' Z8 M
根据问题的目标函数构造适值函数 4 c" F- d) S/ o( F K+ ]
根据适应值的好坏不断选择和繁殖
* k4 C5 E2 e0 G若干代后得到适应值最好的个体即为最优解& k& f3 s, g* {; N Q: A( o; p
5 s; D5 }" J7 w1 F7 f8 Y, b, W; Q
四、算法步骤
- K: v4 E+ {+ ~5 P初始种群
3 T3 k6 { `3 d. T编码方法—二进制编码,可以对多个编码进行组合。
~& b6 V0 W6 Z* B9 f8 j1 m* K7 I" D2 v- B适值函数,往往就是目标函数,以值得大小为依据
9 l- N4 D0 h) e. l9 @遗传运算,交叉和变异 4 z4 {/ g0 o* ?0 s1 D2 F, w
选择策略,算出适应度,根据比例采用转盘模型 ; M l/ U! _, y( X# X1 n/ a, T) N
停止准则* h. J1 S* O+ c, g5 ~- K
E8 i5 g* R2 d: S, p参考:https://blog.csdn.net/zuochao_2013/article/details/71435105
$ G+ M f/ r1 ]" E1 ]: H" t2 ? V+ b# v: h, V8 H# B. V
四、神经网络算法- w: S0 H: A+ B1 |: k$ {1 d
k0 L! S2 O" A
和机器学习模型中的神经网络一样,用来分类或预测3 b: f8 t I! Q3 l2 G
8 F! w$ d4 f8 b0 X6 [- U3 n5 q五、禁忌搜索算法 (Tabu Search)! }! v+ a' Q- U! y# _: O
& P k7 q3 j9 L% E
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。 4 g0 H& q8 X# v6 `" \2 P+ H. j7 {( U
优点: $ }' ?' i( W9 \. a. A9 Z
1、容易理解,容易实现,具有较强的通用性; 9 k+ I- B' d4 l* e1 Z, F( o# P
2、局部开发能力强,收敛速度很快。 [0 F% e/ |4 \9 D
缺点:
6 m$ h. F3 e$ p4 \3 G' p1、全局开发能力弱,只能搜索到局部最优解;
( R% `/ Z' B' i H9 \2、搜索结果完全依赖于初始解和邻域的映射关系。* c1 q/ Y S4 U+ ]4 Z8 V
6 Z( v3 F8 X% r
将不相同的n件物品分为m组,可以用的编码:
+ l+ x3 E* ]7 i+ E1 Wa、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
3 O8 v8 X# \3 j2 f& S8 x$ b+ U: Mb、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
+ I# S3 a! v% U5 @2 G8 D3 [(2)初始解的获取
; l. C, [2 z+ e$ L" p( Q- x( N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。 ' ~7 S+ G: A; z' h* ]
(3)移动邻域 " }. V1 P4 l) F
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)。 8 |. q5 Y% `$ R7 X$ p
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。 5 d+ {$ G/ _2 x8 E+ W2 f
(4)禁忌表 / c% j* |4 H4 C! Z
禁忌表的作用:防止搜索出现循环 + |8 n, O# J% h/ P9 Q" O6 M( |
(5)渴望水平函数
; H' n3 Y/ z+ c$ P+ c JA(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))7 z- v0 [6 Y, x9 ~ B
' @4 g. N* G% a1 u; D
六、蚁群算法(AS). B* G* Y' n& }
8 a% r3 {! ]% Y) I& x4 ]+ A
& F7 P+ X; w* u
参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop5 A4 ]4 `, [8 |1 E+ {+ r
--------------------- V/ |) E, m; z, Y1 q$ R$ ]* i
作者:_朝闻道_ & e" d, l% y- Y9 y0 n+ ~
来源:CSDN " L/ Q( z: c! g* A
6 Y$ i) Z4 t Z. [# v2 _: x) z, s. y% j& Q5 ~! ^
4 @0 @) ^6 ~& X
1 V2 q& G0 N* b2 n" B5 k$ l |
zan
|