- 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
- 563300 点
- 威望
- 12 点
- 阅读权限
- 255
- 积分
- 174213
- 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
/ a/ m, ~/ H6 I* g. R8 Q1 r优化算法, h; r B: t$ E2 N: g
! a( i0 p. D1 e% F) J0 d/ E
数学建模问题总共分为四类:
/ z( M3 \2 S1 y. |7 _6 S- h6 i1. 分类问题 2. 优化问题 3. 评价问题 4. 预测问题1 m& k) t1 V! C- t7 T
' c: |! e4 r9 @, R+ @
一、粒子群算法(PSO)4 d* Y! a+ a/ G# u
8 r- t( @# [4 Q- 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。
. k) w; Y" r: ] r0 x7 L& E5 _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。
3 C: S' T4 i# Z# s6 j
6 M k+ x2 |" x% f! K9 Z6 f基本PSO算法
4 ]* B* B% i* c' J. C8 v+ F. [! X. H7 s8 ~0 D7 g3 R) K4 H
D维空间中,有m个粒子;
4 C; U" V7 ]" j粒子i位置:xi=(xi1,xi2,…xiD) 8 }# C! @0 z" k
粒子i速度:vi=(vi1,vi2,…viD),1≤i≤m,1 ≤d ≤D " k7 u& O6 Z) G- J7 H# l2 Y
粒子i经历过的历史最好位置:pi=(pi1,pi2,…piD)
1 d% S1 V7 G1 w7 F- X0 j群体内(或领域内)所有粒子所经历过的最好位置: pg =(pg1,pg2,…pgD) 8 K# d* v# ?* b
: W+ W4 l/ B3 W0 a
% s5 b: Z# Y, v" q1 w, m
二、模拟退火算法(SA)
' e) w' j3 a% @( V$ z# \6 t. [
7 s, j) c" h$ S+ g6 V$ w( y模拟退火过程: 7 q b5 {# [* u- j2 p+ z- T& B2 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。
4 a: x( B( N0 P: l+ i4 ^ Z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。
- P; p1 m3 @, l5 P# s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)。, m+ o* n( n& a& I
7 u5 N h7 v( y! E; Q
三、遗传算法% Z. K2 T8 V1 @6 J* C5 B
/ m: @9 F, d6 G r
产生一个初始种群
5 {( ?. n$ I, S0 {& h根据问题的目标函数构造适值函数 0 h8 }! ?7 R: s8 O
根据适应值的好坏不断选择和繁殖 % K0 a& G" y. U: q2 y$ A5 X1 W; X
若干代后得到适应值最好的个体即为最优解
. ]8 f, k9 S2 Y. O V+ ~! q7 ?7 ^& H) y/ `' J: e+ l
四、算法步骤 " `' _( r. q7 c s8 u9 x" u6 O
初始种群
. s( y* }( H- `4 ]; ?& Z编码方法—二进制编码,可以对多个编码进行组合。 1 g% k/ P7 Q% U7 R r( s2 l
适值函数,往往就是目标函数,以值得大小为依据 - v( x. _3 a. k) c( T" x
遗传运算,交叉和变异
5 V `$ n/ T4 Y$ c* I选择策略,算出适应度,根据比例采用转盘模型 3 m; \: N6 ?: @1 p% G
停止准则# r# f% k2 E0 @( ]& W) @. Y- y+ ^
( P+ I9 F2 q+ J7 ~4 J
参考:https://blog.csdn.net/zuochao_2013/article/details/714351057 }$ b4 Y3 V9 s: |$ ?" }
8 ^, h- A3 i) a, |0 P4 {四、神经网络算法
- E& Q P6 Z3 h; a# r- f; p X& P- T) V2 [
和机器学习模型中的神经网络一样,用来分类或预测
$ h9 L! J9 C% @* o4 o5 d1 m* ]7 j# k/ |
五、禁忌搜索算法 (Tabu Search)( H$ {! A5 d+ v* H7 q
, W$ ^2 s# _; z) [1 j% Q- a
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。 & H. ]: [6 V" v7 |
优点: 3 ~, b! [6 U$ R1 c; Y& I
1、容易理解,容易实现,具有较强的通用性; , y+ i8 v, n$ G; h# N. e: y: u; P. m
2、局部开发能力强,收敛速度很快。
. Z; ~( _% ^5 w; n' T9 C8 ]. a缺点: / ~$ A) z/ ]/ Q: c% |( v
1、全局开发能力弱,只能搜索到局部最优解; ) m7 J' N8 c; R1 `6 Z
2、搜索结果完全依赖于初始解和邻域的映射关系。
' S# i; U, a' [. V% p: [0 A3 C% e5 l& I {: Q6 P
将不相同的n件物品分为m组,可以用的编码: ; r0 s, C8 A6 ~& u) x) ^1 w; i
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 # L- n% Z+ u t- M7 Z: n
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 g: ~, e0 W( P& V(2)初始解的获取 . H; I8 }9 }# N
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。
; {( W( f9 ^: f/ k3 d2 H(3)移动邻域 6 J7 V; m+ ]/ {, m6 I( N
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)。
# r2 U5 I) Q0 \2 ?7 A$ t; g' 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。
4 p# Q& Y6 n$ d4 ~1 l: K9 d! `(4)禁忌表 * T" P2 m0 W; j
禁忌表的作用:防止搜索出现循环 # K0 Z% y9 P, W0 O# J: k
(5)渴望水平函数 . J! l( \' z+ V5 U/ F' ?1 w
A(x,s)一般为历史上曾经达到的最好目标值,若有C(s(x))
+ ~) T( ?; X8 ~& m- I9 v e2 N% L# H
8 \! W9 O& _ v" o$ O) B六、蚁群算法(AS)
' S1 p; @ S- p; |
( Q { F' _6 A% @0 x& Y+ S+ U
5 f: h0 H- q: r6 k0 ?* d0 ~ h- P1 X7 `7 }4 {
" x. x/ b5 I4 g4 I' n& k: |& v4 f8 Z$ U! p Y( Y2 L' X' d, j" T3 I
5 R" c7 q0 y+ ^& ^0 |4 W6 v4 I: b+ i/ y8 d+ X2 a2 l
* h6 u: h6 z# \) O; D
; v$ |% T+ Z9 @5 @" Q
" x0 p- @. Z6 p8 \+ R$ ]1 }( I* Q9 n
, d/ G5 M6 n( |' s' J) R+ ?# j |
zan
|