- 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
- 541118 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167714
- 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
( y) `* f* w. p2 F8 g! K数学建模问题总共分为四类: ' E$ K/ C/ g, _. q5 a5 I
1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题! w8 ~) _; b$ Z, `( M5 s
" H; X W$ g& ^7 f一、粒子群算法(PSO), G& L6 @+ y/ c4 T
* P7 }6 l) F) p h, E1 O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。
, o2 S7 N. I& O, g Y5 |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。+ ^6 U& q) K0 Z% v! e0 w
% O- P0 X* R9 B; e5 j
基本PSO算法' g/ c7 w0 W, {% a7 X
' s& g2 y. \ xD维空间中,有m个粒子;
1 H5 z: A0 n3 I) c& A8 U4 F: d6 J粒子i位置:xi=(xi1,xi2,…xiD) 7 i3 `" n% j# u: B. F
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D # d5 l I0 }* }6 K4 X6 h" s
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
7 P+ Z5 S- G# w% r群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD)
; P6 x& O$ Z5 s/ ^3 X- w7 r' m: [" u& [# e; i2 Z5 v) g3 `4 w
7 R4 i9 T: o& _' R7 }, d
二、模拟退火算法(SA)
5 e+ o& i+ U; T9 I# _0 B0 c/ Q, B
1 o1 F7 H0 H; x+ P模拟退火过程: ! ]; P$ A; X% O' 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。 $ a- |7 A. w0 ^( @- a8 P
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。 . K+ ^! _% i8 P" z0 ^. 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)。% y* p7 Y3 S9 ]- \5 ]/ O) y2 G K
7 M* |, n: @+ U
三、遗传算法0 y& Z- G7 B" j2 \- @$ t
+ a7 B8 ^- W. ~- F6 V0 n- W产生一个初始种群
) T, g9 q0 J( ]. I3 ]根据问题的目标函数构造适值函数 7 \- d5 O" \; Y! {) v
根据适应值的好坏不断选择和繁殖 $ m0 o* [8 y% Y, l1 p
若干代后得到适应值最好的个体即为最优解
! g) c& W# L- e: ]4 A0 ^3 W* V- d4 U- z' r0 y
四、算法步骤 8 e9 e6 T0 B0 L7 m) d! d# q) U
初始种群 ) M) x8 `8 q0 S
编码方法—二进制编码,可以对多个编码进行组合。
& B- [* x3 y& ]' j" I( S适值函数,往往就是目标函数,以值得大小为依据
) I( r( N" c- C# n3 D% U遗传运算,交叉和变异
& f1 M4 x8 a# ^% d! s/ R! ?2 y选择策略,算出适应度,根据比例采用转盘模型
' u2 K1 I6 ?3 `+ ~停止准则
P) F1 c( b% X. O+ g# L% X$ @+ }3 [' {
参考:https://blog.csdn.net/zuochao_2013/article/details/71435105
. B' _+ e Y6 C+ N2 H, W
% g$ h+ w* r8 u四、神经网络算法2 ]/ B5 d' |1 k
: R) I0 u9 N* A$ [7 G和机器学习模型中的神经网络一样,用来分类或预测) W0 M; K# s. o+ A) n
; U" M1 ^1 @0 ?* c* C' n五、禁忌搜索算法 (Tabu Search)
2 E2 F+ n# S* L3 L' T4 D& |
1 |7 N' A4 h+ p9 j2 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。
6 U9 [1 h' T3 n: f+ h优点:
8 H% ]% D( s+ \, A' ?1、容易理解,容易实现,具有较强的通用性;
3 {& [" ]! }8 e) N) K3 c2 P2、局部开发能力强,收敛速度很快。
. M# H6 l/ S- ~+ i) G' T缺点:
! A7 ?+ t5 f2 L7 h& Y# B. U1、全局开发能力弱,只能搜索到局部最优解;
9 x' E2 J" D( s! {2、搜索结果完全依赖于初始解和邻域的映射关系。: x' G! {/ e8 K; l% L5 z9 P
4 O$ _8 S% z$ |' r0 ?1 h- D将不相同的n件物品分为m组,可以用的编码:
4 Q( z! u" l+ P+ s, |$ ~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
6 b( ~8 M- Y/ H( k- ~2 l% T6 [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 1 s0 d0 y w) w
(2)初始解的获取 1 v5 v+ Q$ f! C/ W9 ]3 g2 q
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。 ) D1 r3 Y0 T5 D* {
(3)移动邻域
$ m0 i$ K1 F+ O+ s- j9 u& m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)。
$ s, E9 y4 K( D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。
6 f& K) p( C t3 O) n(4)禁忌表 0 @9 N7 l1 S/ O. y+ n X( b
禁忌表的作用:防止搜索出现循环
- V6 ~. | L* M9 }* R$ W4 L(5)渴望水平函数 # G5 ?/ W+ Z7 \
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x)); U* F3 Q! d; j5 d) K: \( T+ Z ?
: }" [8 P6 ? K0 y8 ^
六、蚁群算法(AS)
) V0 X& p3 s* U! X3 N# v4 I/ N
0 z E; {5 `: ^& |" M0 N/ v
/ H) z5 i$ ~( b9 ^) w h4 J( i9 m参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop
. n. t. r K3 [2 N--------------------- ! X% s3 }; C) L5 S& f: E
& Y7 x2 P$ m# {" N2 e n$ m1 h
+ E& f* G2 z9 S% m g; i t* T2 q4 S' w7 P/ [" P
7 u/ G/ D+ r+ c2 ]0 o
|
zan
|