- 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
- 541270 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 167759
- 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
. [8 F# |- U" f8 e+ C* D' b l数学建模问题总共分为四类:
; `2 C i; t! K9 X; Y. n$ L1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题/ |6 k2 i0 {2 v7 G0 i5 o* T: l* \
1 _9 r* R0 `/ [4 f, s一、粒子群算法(PSO)
" H& k R% X5 a/ b
9 j: Z- D8 k. i2 l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( O/ F4 E v+ W+ \3 u6 o5 q. OPSO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。2 {7 e0 `* J! d8 r& z. T
! ?) E4 H/ D& A- _: l& `
基本PSO算法, l& i# }. J, V# r/ C
; |" ]' ]* G3 c# h* t# h! h
D维空间中,有m个粒子;
) ~! n* T( S; r3 e* D5 b3 |; q* d粒子i位置:xi=(xi1,xi2,…xiD) . h% [6 {9 _5 X! k( V
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D
; [( n2 a! e4 H/ T' Z' J8 ?1 I粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
/ }5 T; L9 X+ ^ X. H群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) % T; f7 m" R8 Z5 |/ i$ ^" O7 c
4 d) a6 v7 f" f8 t* L6 R
7 i3 f0 ^* \4 \2 S) w" W二、模拟退火算法(SA)3 {$ l/ z* z: Y% a
- [$ ?1 X0 y# P' f模拟退火过程:
3 D# K" _& i 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。
( m& t4 T; \/ T' I0 o1 n4 C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。
% v6 [- W3 Y+ b/ T2 K) T0 ?+ d( z6 q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! I; I; j6 y* D- z$ p; X" N+ R( K# f
三、遗传算法/ p% Z/ b4 p9 T, W% r& V
8 x$ o5 ?- e% P' }, V. x
产生一个初始种群 6 U! ?( A1 n2 p' h; s3 I
根据问题的目标函数构造适值函数
% Q. J9 [; H/ d$ s/ {! ~4 U根据适应值的好坏不断选择和繁殖
0 D" [/ b( K6 f6 ^9 N: j. H% t若干代后得到适应值最好的个体即为最优解
$ v1 S4 {3 U% `+ ^' u& ^
6 [3 q* `4 ^) c* C" Q9 N1 K! {, S四、算法步骤 5 A) o# }; P" ^4 ~: Q1 y, `7 N0 g
初始种群
7 w+ I' a+ ~2 k' {+ f2 g编码方法—二进制编码,可以对多个编码进行组合。
4 {1 \6 c v) @6 }$ f适值函数,往往就是目标函数,以值得大小为依据
( \9 V/ j6 p. i0 a: W- O遗传运算,交叉和变异
3 n) S* h( J* z4 s3 u3 m4 |选择策略,算出适应度,根据比例采用转盘模型 0 w+ Y+ |, Y3 _% q, Y! L' Z5 E! e% c
停止准则
$ M) K$ W' i: j! Q! L* l# G/ s+ u& j0 _4 w9 o+ R5 ]- _
参考:https://blog.csdn.net/zuochao_2013/article/details/714351057 e# z/ h# a3 s" o% J5 j; ^ j
1 v [' m0 i# d) C. {0 h6 o% |
四、神经网络算法
3 l0 o O, h; q6 t `7 v e3 {' k* O( H6 x/ h% x& T+ D1 }; P
和机器学习模型中的神经网络一样,用来分类或预测4 e% R( y# O- J
* t) v; R- g1 b8 ]* T3 o' X五、禁忌搜索算法 (Tabu Search)
! S3 i; o c, O$ F- ]* R4 {$ W& f7 ]; ]$ |
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。 7 s0 N6 }3 n% h8 f7 t
优点:
( ~; A- i& a0 d, L' [* q1、容易理解,容易实现,具有较强的通用性;
S% `8 P8 c4 k3 Q+ z- o2、局部开发能力强,收敛速度很快。 ; C+ k4 Z- G) F3 M3 H
缺点:
7 O* q; T. {/ H L; |7 }1、全局开发能力弱,只能搜索到局部最优解;
' P) _# s9 b, f2、搜索结果完全依赖于初始解和邻域的映射关系。
( S6 j4 D- i3 T% N. C# B5 e ^' u& ~
将不相同的n件物品分为m组,可以用的编码:
) s, Y$ G! ^" n8 ^+ Z" h; Ka、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 1 f; ^" f8 k2 q3 I g: W
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 4 V: H( p0 n% v. Z9 x
(2)初始解的获取
4 _4 I( d' O6 ?5 Y% A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。 O0 Y$ ^. i3 Y: l! |/ D$ Z
(3)移动邻域 8 h t& |" N5 g' 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)。
1 t9 m0 w% V; u4 \' \+ Z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。
* P0 g' d* Q0 d( H(4)禁忌表
+ S5 Y6 S/ H" |. U% m) }- r E禁忌表的作用:防止搜索出现循环 8 u2 ~ b$ P8 F" E3 x2 ~9 r
(5)渴望水平函数 / [2 z5 O" y9 V8 ]
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))
8 Z- L' y" ]" v2 I8 l* c1 e2 ]5 l' }9 X
六、蚁群算法(AS)
% n; y# L* S9 j5 A$ h1 J0 Q& Y2 p0 \6 K+ A& f9 }
2 a9 U* M9 ?$ n9 I2 A- p$ O+ ?参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop
% J0 Z2 P U7 t* e' p$ h9 ?---------------------
$ S! R4 m) z/ w* P0 O8 ?作者:_朝闻道_ 9 G! d% `2 i7 _0 y
来源:CSDN $ j# g" c1 A" u* X% O7 @& X
1 n3 M/ Z+ Z( Y1 e1 c5 }& c$ {: {7 m0 Y; r7 M2 d/ Q: i# y
* R9 ~" f9 x& \! C: A2 j" y' V
+ z# @: R8 L* _. M1 m; S) N
|
zan
|