- 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
- 568730 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 175842
- 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# Q$ q) U, J) {8 O( g/ B
数学建模问题总共分为四类: 4 ]* {9 k* v5 O# u* p: e& G
1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题
9 q u ~' V' M$ n& v8 u t2 A7 o& }
一、粒子群算法(PSO)
7 h; i' l- r, h
* }4 I0 r$ L* H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。
% s! I+ f+ z hPSO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。
. T$ p+ H$ \- @6 r
4 ]' r% v! w* g6 P: A) g基本PSO算法; u. g' l5 d3 c. m
/ g: w& p" Z/ ~( ^0 u+ uD维空间中,有m个粒子; ( A# X8 C7 K# Y6 d7 v. B: F7 d# b
粒子i位置:xi=(xi1,xi2,…xiD)
' C% D9 \/ Z4 {" H% ~粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D
/ _6 M7 h- @; \粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD) ; k; j! N& N: {2 S# C; k9 B
群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) % d/ U' I( K7 ^8 _4 A3 N
! F* I5 m( ]) [4 V2 x4 F4 D
! c$ j* H2 {8 q% K6 T- a9 i: I" ]
二、模拟退火算法(SA)$ M; D7 f) N* l( F0 A
3 D4 \0 L' A: I4 B
模拟退火过程: ) F9 G n8 y. J6 Q6 x$ b4 R
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。 D8 K# m6 P* R" H \
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。 ; d$ E! z2 w0 Q# R5 ?8 i& G
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)。5 i! L& N5 ~2 N
, U- @! @# ], n/ W! E三、遗传算法5 j( o, C% q- u2 H4 t1 |1 r7 Q( |
% j+ t7 ]( l# w7 q# Y; `! `7 x g
产生一个初始种群
1 B2 B# M& t( c根据问题的目标函数构造适值函数
, `' m5 K8 }. I7 ? F根据适应值的好坏不断选择和繁殖 * B; b0 O5 w- |, w; Y# W0 [4 M
若干代后得到适应值最好的个体即为最优解
" ?& _% ]2 \9 B4 ?0 L2 |! u, Z
- s5 P6 ]+ N4 i# r5 ]四、算法步骤 ! k# w k+ } g7 y( y. d$ Y! ^
初始种群
; ]: h) X: W& _0 x8 Z编码方法—二进制编码,可以对多个编码进行组合。 9 j8 D0 |3 h0 ~1 L1 Z
适值函数,往往就是目标函数,以值得大小为依据
: m4 |$ w1 t- D遗传运算,交叉和变异 $ T# ]3 s; w! K/ r1 e! P
选择策略,算出适应度,根据比例采用转盘模型
! |) ]6 l" I5 `' E) D5 I停止准则
3 a. h% G1 Y- X- O5 w" T) H
! X3 ]/ Q1 V$ \0 x3 D+ a3 x参考:https://blog.csdn.net/zuochao_2013/article/details/714351052 z' y+ A/ z; G/ A) U
' b! d: D$ @( R% Z* C* ~四、神经网络算法
' r8 R- m9 q# e. q. [
4 R9 j& R, @3 F" }: k3 _- h& @2 h和机器学习模型中的神经网络一样,用来分类或预测
" k) u, Z: b9 W! r) ]- F! d6 c0 p) B$ w
五、禁忌搜索算法 (Tabu Search): T9 ~: S3 ^2 E' t1 r8 _
9 ?4 @: T* Z/ g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。 * P- M) b1 Z4 G! G* u" `
优点: u, ^0 k2 ~. b- ^2 r: q7 D2 ?( D. o
1、容易理解,容易实现,具有较强的通用性; 7 G; s( A& n: u0 D8 j
2、局部开发能力强,收敛速度很快。
" d; Q2 c& @0 F& N. W( C) T* r0 C缺点: " `3 X* I. J6 _3 m$ ~
1、全局开发能力弱,只能搜索到局部最优解; 8 p5 Q/ ^0 a$ Z _( L5 J
2、搜索结果完全依赖于初始解和邻域的映射关系。
1 O% w' K% o& b! }0 K% D! P7 J* \6 ]3 [$ j
将不相同的n件物品分为m组,可以用的编码:
) [) Y( t# m I. T. {, Ga、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 " U5 H9 ~& f8 ?( Y; S
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 ) `* g ` Y$ m; P! e- s Z
(2)初始解的获取
5 B( J+ }/ g$ P2 O- ]' |- c5 J0 j$ S4 |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。 ( x# V- f& t6 C
(3)移动邻域 3 p8 X" J" l3 u0 W
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)。 . p2 E$ @" h m0 d4 K* 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。
" G, B+ c7 P( I% O0 k; {, V: i; p(4)禁忌表 . o$ W% E7 b# F$ s1 G- K
禁忌表的作用:防止搜索出现循环 1 y) e8 P$ m- k/ O5 ?0 d5 \6 {
(5)渴望水平函数 . x6 Q Z2 F3 q$ o8 v3 R) @7 k$ B
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))/ ^5 _2 ^5 w3 }& B5 H& |# w
0 x2 M1 g* o* a六、蚁群算法(AS)
, |. T6 y+ w- Q/ K2 {& o/ D4 e, [, J6 q* s# B ]
l6 W( a) Q1 P2 g1 p
参考:http://www.cnblogs.com/asxinyu/p/Path_Optimization_Tsp_Problem_Ant_System_CSharp.html#_labelTop
2 |1 M& Q6 M# M+ a# K9 |---------------------
! b" ~" x. I: n: Z. H. n! f1 v& u作者:_朝闻道_ ' J: C9 _ `$ D4 K1 M
来源:CSDN , C# A8 y7 i$ |& _' P! s
4 F# C# Q6 {& o+ ~" J
4 g0 M1 }3 d' { P! ^5 w" E
$ S H9 F6 E" w9 ]- ^& ?) n% r! Y6 O8 Q8 n
|
zan
|