几种智能算法概述及其应用［PPT课件］.pptx

文档介绍：几种智能算法概述及其应用
汇报内容
几种智能算法概述
遗传算法
粒子群算法
模拟退火算法
蚁群算法
智能算法概述
1、遗传算法
遗传算法(ic Algorithm,GA)是一种进化算法,其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则。遗传算法的做法是把问题参数编码为染色体,
再利用迭代的方式进行选择、交叉以及
变异等运算来交换种群中染色体的信息,
最终生成符合优化目标的染色体。
智能算法概述
染色体:生物遗传物质主要载体。
基因:扩展生物性状的遗传物质的功能单元和结构单位。
基因座:染色体中基因的位置。
等位基因:基因所取的值。
生物遗传概念
遗产算法中的应用
适者生存
目标值比较大的解被选择的可能性大
个体
可能解
染色体
解的编码(字符串、向量等)
基因
解中每一分量的特征
适应性
适应函数值
群体
根据适应函数值选定的一组解(解的个数为群体的规模)
婚配
交叉选择两个染色体进行交叉产生一组新的染色体的过程
变异
编码的某一分量发生变化的过程
1、遗传算法
智能算法概述
遗传算法流程
遗传算法改进方向
1、遗传算法与非线性规划结合 2、与BP神经网络结合 3、基于量子遗传算法寻优 4、多种群遗传算法 5、多层编码遗传算法
1、遗传算法
智能算法概述
2、粒子群算法产生背景
粒子群算法(Particle Swarm Optimization, PSO)源于对鸟类捕食行为的研究,一群鸟随机分布在一个区域中,在这片区域只有一块食物,鸟类捕食时,所有鸟都不知道食物在哪里,但是他们知道当前位置距离食物
还有多远,那么找到食物最简单有效
的策略就是搜寻当前距离食物最近的
鸟的周围区域。
智能算法概述
2、粒子群算法基本思想
每个潜在解都是搜索空间的一只鸟,称之为“粒子”,所有粒子都有一个由被优化函数决定的适应值,还有一个速度决定其飞行方向及距离。粒子们追随当前最优粒子在解空间搜索,然后通过迭代找到最优解。在每一次的迭代中,粒子根据两个极值来更新自己:
粒子本身变化过程中的最优解,称为个体极值
整个种群目前找到的最优解,称为全局极值
有时为了避免陷入局部最优,可使用整体中一部分作为粒子邻居,则所有邻居中的极值就是局部极值。
智能算法概述
2、粒子群算法基本模型
设群体规模为N,目标搜索空间为D维。
表示第个粒子的位置。
表示i的飞翔速度
表示i自身搜索到的最优点