- 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
- 557936 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 172754
- 相册
- 1
- 日志
- 0
- 记录
- 0
- 帖子
- 5313
- 主题
- 5273
- 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
7 p$ X& p' A+ N* L7 O数学建模问题总共分为四类:
+ I8 K. t+ e6 a; e9 i1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题3 ~. \" X) g; G$ v: F
, @: z% r2 f5 { u1 p, ~& k
一、粒子群算法(PSO)
0 I: S, B0 Y0 V& J1 R" l& ^+ `2 ]- x
* o$ ]; z8 T3 H9 V! `- b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。 ; Z# D) n& s. A8 q
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 p( x* B1 \6 p7 H5 D3 H+ c3 A) G8 h1 Q B) ?5 e+ I
基本PSO算法; W f/ L" H" \( ]( A
9 ]) F! A8 j, H) j
D维空间中,有m个粒子; 2 N$ ]% R! U* h0 e( y. A
粒子i位置:xi=(xi1,xi2,…xiD) & @! j: ]; ~8 p8 a f% }
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D - q4 v: i/ S$ F2 f- u: u# k8 I
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
. u, b P4 G1 h1 s! W群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) w, Z2 w9 a" ]% Z, u
7 U, N7 v/ c7 p W
# @. G$ _% Y# O7 x二、模拟退火算法(SA)
) ^6 b6 {" F7 u b( j5 L; h% v( x0 [- l l5 x2 }7 [* Q
模拟退火过程:
. d, U2 L0 S* @- Q. 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。
3 r5 R( e9 q+ C+ V- X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。
% V u1 k: r- N; j; `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)。
) ^8 ^0 A+ }. t% u8 g; _! T; }
; \9 U2 F; p; Z' Z R三、遗传算法1 L6 V/ F6 O7 H& Y8 t5 e+ B
1 [ W+ i' l; H$ h" k
产生一个初始种群 8 i- ~: n O! f$ T" T6 B) s0 L& T
根据问题的目标函数构造适值函数
+ s3 G6 G+ p5 `4 A p/ Y$ }" P- @根据适应值的好坏不断选择和繁殖 ' f- _% x+ Y+ M& n4 \4 X0 R
若干代后得到适应值最好的个体即为最优解6 f. @) }' T) c4 [4 m* w2 e
- _( U/ l$ v# d: F' G! I5 c7 o
四、算法步骤 6 u1 w8 V4 b' g9 v3 @/ T& V
初始种群
" B/ S: f+ k7 Z U5 `编码方法—二进制编码,可以对多个编码进行组合。 $ A1 U. B' i# w: k3 ^/ _8 u
适值函数,往往就是目标函数,以值得大小为依据
5 W0 d3 o$ x, @$ K# ~) W遗传运算,交叉和变异
- O9 O: x* ] C5 I9 O5 `选择策略,算出适应度,根据比例采用转盘模型
2 K- r) q' \$ `停止准则
8 o5 d! j: `! O
b9 T. A* y6 R; T4 T9 |% D参考:https://blog.csdn.net/zuochao_2013/article/details/71435105
( L% t9 Z& J) a5 y. P7 D/ [; Y5 D/ y/ H G Z) y
四、神经网络算法
0 x! L7 U% a" ?0 x. f, i, U: {4 i# O/ |+ c- ~/ J
和机器学习模型中的神经网络一样,用来分类或预测: q/ y9 A) U3 l* v, z0 R* h
: i3 T+ a5 V A
五、禁忌搜索算法 (Tabu Search)
( r8 ]% Q3 {4 q5 I. @$ t! ^. ^7 H! ^& n8 m: I
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。 . R, K$ x, g* [5 D: ^3 U. P
优点:
% q3 Z6 h1 O: b1、容易理解,容易实现,具有较强的通用性; , k. G9 z K" l1 `$ B' \
2、局部开发能力强,收敛速度很快。 $ O, D/ P4 J h7 D
缺点: ! l) C. l2 J/ G
1、全局开发能力弱,只能搜索到局部最优解; 0 [7 p k! Y. r2 {$ q5 A9 j
2、搜索结果完全依赖于初始解和邻域的映射关系。
( S: @; \6 z4 t$ E
; N i9 J1 Q+ b0 q: p1 A将不相同的n件物品分为m组,可以用的编码: ' `* S- R: N; W
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 / V' Q+ D R) h4 t' m: G- |& ^
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
U1 u' t* L3 n7 s(2)初始解的获取 : B- Y$ v, Y' S
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。 8 G. p! H/ k; h5 L: h
(3)移动邻域
+ k, O; u, l4 w3 ~# [% U% r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)。 - n) B4 U! t4 U, g6 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。 4 l( s0 n# f/ b/ x$ K5 ]" _8 ]
(4)禁忌表 7 S! g: K- }* w/ |4 v7 _1 K
禁忌表的作用:防止搜索出现循环
' X B, Q! h. }3 H8 {(5)渴望水平函数 " E0 w8 |1 |/ H3 T/ }1 i5 B: l
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))* f% r* X+ G# |* i: L$ ] J
% k' x$ z2 ?* p
六、蚁群算法(AS)
" R# z% U$ F* |& `8 ^+ F/ |/ n* b
; x% R% S. s" i+ F* g
: a5 H6 n o1 o. w4 i参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop2 j9 d7 H6 C4 w: V n8 d# J
--------------------- + M1 _" Z7 i5 l* z# x8 B. E
作者:_朝闻道_
+ L& _( s. l; X4 b3 @/ {' O; L来源:CSDN 2 p# ^( I! ^7 Q8 e( A
5 [ R$ ^( N4 a R. `- q; `! G1 v3 \
' m+ w6 |) }9 ~; q. t; w
7 r" I: a' n3 p( B5 j' C6 Q/ p: w5 s; X' a8 h8 G
|
zan
|