- 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
- 565618 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174908
- 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+ Z' `: r4 R7 C' A8 S7 L! e
优化算法
) y8 I8 V4 g! S; t& Y# y) y8 m* S) H6 r3 X
数学建模问题总共分为四类:
+ |5 H5 V* e0 {* [: T1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题
9 c: C& { b! d/ i8 ?
' [7 e& z4 m6 B+ H. ?, y一、粒子群算法(PSO)
" T' B2 k( h2 P8 T+ I6 a; r; G7 i, r2 ?* ]+ _/ [
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。 ( I$ H4 u& `3 O' p# E
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。+ {$ F6 k$ y" T1 Z8 x& f
6 p4 M! B9 R$ a/ @9 e0 N# V
基本PSO算法
9 [: |% Z' o8 }2 W) l
0 L# d6 J7 w" B2 s) s: N. mD维空间中,有m个粒子;
; e: u6 C Y1 r9 f$ V! z粒子i位置:xi=(xi1,xi2,…xiD) - N+ M4 _( o; ^6 U* B
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D ) Z6 L/ e: R x, O6 d( }
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD) O( S' r0 ~+ O) g9 s. G
群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) : I" x7 Z% ]* }( n5 g6 X
. r6 f) D n3 x* E* t6 _* W+ L% Z
# e5 `+ m8 T5 X
二、模拟退火算法(SA). w0 \* }/ c# G3 G% P1 E8 }
( o% }" v5 q4 d& H0 t! _& E
模拟退火过程:
) L$ E7 T/ b! d5 `3 e6 l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 b! k- m& W4 r8 x$ J) R. Q* d
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 j0 g9 c7 k/ ]$ k/ b2 N0 E5 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)。. O7 n4 ^4 |: ~! L
4 y. Y! b. U8 m. u, t- z% }三、遗传算法& r. x3 a/ V8 R. X2 m! b+ i
) R& c' ] L `3 R; s3 q( q2 A
产生一个初始种群 : e8 ?2 t. x9 i2 e' A# C
根据问题的目标函数构造适值函数 2 _" i5 b4 ^" t4 M! @: C5 R7 |1 [
根据适应值的好坏不断选择和繁殖
$ S$ W/ ]6 x4 Y若干代后得到适应值最好的个体即为最优解
% X( H, H/ Y' Q$ S; r) e" Q
5 w# H% M6 K; d7 }! ?; N0 P四、算法步骤 % A( U8 ~3 y J) Q+ z, D( {
初始种群 / J. @- L8 S$ i. E
编码方法—二进制编码,可以对多个编码进行组合。 3 T5 Q o2 A4 W |' q& v
适值函数,往往就是目标函数,以值得大小为依据
# K9 X% T/ [ o( m6 F( K遗传运算,交叉和变异 $ F, \. C% s7 u
选择策略,算出适应度,根据比例采用转盘模型 9 x& n7 c5 Z6 u4 H# t
停止准则! L/ Z. I r' |, b9 c& K
$ s: X3 a. y" V) k' y) e1 F) P参考:https://blog.csdn.net/zuochao_2013/article/details/71435105. i+ [( F; O! V5 a; k8 @ F, r
' g. ~5 j7 p. n四、神经网络算法
1 {, i7 |0 v' u+ O& O1 B; B r) b* ^# C9 w7 R( v' T, f2 U
和机器学习模型中的神经网络一样,用来分类或预测" X1 C! a0 Z2 n4 r5 c
, a" K+ R* d- y4 W* W. u5 H! X五、禁忌搜索算法 (Tabu Search)' U5 S& R4 s7 Q
% d4 n4 u3 T! C6 _) ^6 P7 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。 ) G& T5 S( A* X3 }5 H: t, ~7 J' f
优点:
4 ~6 J. U C5 x; e1、容易理解,容易实现,具有较强的通用性;
1 ~. x3 Z. ?' \4 U2、局部开发能力强,收敛速度很快。 + N8 ?4 p! n, T) s! \) u+ i- Y
缺点:
* T* o% g+ u1 a/ ?5 U+ c1、全局开发能力弱,只能搜索到局部最优解; 7 a6 K8 h1 V* H$ L' B7 h
2、搜索结果完全依赖于初始解和邻域的映射关系。
& q' ?5 J0 _6 d/ e, i8 V0 w ? G7 K# A3 A* p) y
将不相同的n件物品分为m组,可以用的编码:
* a4 N: x) A2 q, ?6 ea、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 ( I7 ^4 [* Y! F# p6 D; G0 r
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
- J; O' P/ l M& @) i(2)初始解的获取 3 z0 c8 L- g1 `0 Z) ?/ K) d
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。 * Q1 ]6 i" ~( X5 x) m# p+ ^0 B7 Q
(3)移动邻域
- p9 h% E; y0 V$ P! A# 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)。
4 L4 K5 K! D& n+ C2 O1 v% U1 A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* v; q W# w) i" G
(4)禁忌表
( n/ ~& J/ H- C9 k禁忌表的作用:防止搜索出现循环 " E- H. p8 F1 ?/ X+ J6 x
(5)渴望水平函数 : P2 |9 j% u/ N P
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))3 f9 }( Z% Y! h( E4 q& K
( q5 V" {5 w" F9 h- Y六、蚁群算法(AS)
6 `3 i3 D4 m% R1 O/ U
) V. j8 K/ Z% w* s, r
2 Y7 y6 z7 ^6 A% c1 T! ~5 b" ^, h' ^ _ W1 B0 J' Y
0 V3 z8 H) ]# b; N/ p
B6 u# s4 H% W) ^; _, X$ s C' I- }0 J5 ?
0 ^9 i" e+ d/ x2 q$ e! N" ~* b ?- R
/ k0 W+ Q7 B& J/ {
6 m) A$ ~! G% y2 c e- K2 r) j2 {, Z) f/ z' @
|
zan
|