文档介绍：启发式搜索方法
1
2022/2/17
模拟退火算法
遗传算法
人工免疫系统
蚁群算法
离子群算法
2
2022/2/17
模拟退火算法
模拟退火算法原理
模拟退火算法在求解组合优化问题时，引入了统计热力学的一些思想 个体2 <1001 | 00001>
交叉点
新个体1<1101 | 00001 >
新个体2<1001 | 01011 >
－两点交叉
个体1 <1101 | 010 | 11>
个体2 <1001 | 000 | 01>
交叉点 交叉点
新个体1<1101 | 000 | 11 >
新个体2<1001 | 010 | 01 >
16
2022/2/17
应用遗传算法的步骤
针对要解决的问题，确定目标函数
对于问题的候选解，确定由候选解到染色体编码方法，以及由染色体到问题候选解的解码方法
根据目标函数设计适应度函数
选择（或针对问题设计）交叉、变异算子以及选择方法
设定种群规模、交叉概率、变异概率等参数
17
2022/2/17
遗传算法应用实例
待优化的函数
优化目标
寻找区间[-,]内的f (x)函数的最大值
18
2022/2/17
算法设计
编码
长度为7bit的位序列
<0000000>表示-
<1111111>
y = <b1,b2,…b7>2
令x表示 gene对应的数值
x = -+y(-(-))/(27-1)
x = –
种群规模
30个体，N=30
适应度计算
使用待优化的函数的 f(x) 做适应度函数
19
2022/2/17
算法设计
选择
采用***赌方式
交叉
单点交叉
变异
复制
=1--
20
2022/2/17
种群个体分布的变化
21
2022/2/17
种群适应度的变化
第n代
最佳个体适应度
平均适应度
0
1
2
3
4
5
6
7
22
2022/2/17
遗传算法具有以下特点：
(1) 遗传算法是对参数集合的编码而非针对参数本身进行进化；
(2) 遗传算法是从问题解的编码组开始而非从单个解开始搜索；
(3) 遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索；
(4) 遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。
23
2022/2/17
GA同时搜索解空间中的一群点，而非单点。如同在解空间撒网一样，GA同时对空间中的不同的区域采样，并构成不断进化的群体序列，或者说GA并行地爬多个山峰。这一特点使GA可以有效防止搜索过程限于局部最优解，而具有较大的可能求得全局最优解。
(2) GA对搜索空间没有任何特殊要求(如连续、凸性)；对函数的性态无要求。针对某一问题的遗传算法经简单修改即可适应于其他问题．或者加入特定问题的领域知识，或者与已有算法相结合，能够较好地解决一类复杂问题，因而具有较好的普适性和易扩充性。
(3) GA具有隐含的并行性。若遗传算法在每一代对群体规模为n的个体进行操作．实际上处理了大约O(n3)个模式，具有很高的并行性，因而具有显著的搜索效率。
遗传算法的优点
24
2022/2/17
喷嘴设计
25
2022/2/17
天线设计
26
2022/2/17
27
2022/2/17
生物免疫系统是一个高度进化的生物系统，它旨在区分外部有害抗原和自身组织，从而清除病原并保持有机体的稳定。从计算的角度来看，生物免疫系统是一个高度并行、分布、自适应和自组织的系统，具有很强的识别、学****和记忆等能力。
人工免疫系统
28
2022/2/17
免疫系统抵御外部入侵，使其机体免受病原侵害的应答反应称为免疫（immunity）。外部有害病原入侵机体并激活免疫细胞，诱导其发生反应的过程称为免疫应答。免疫应答分为固有性免疫和特异性免疫两种，前者为机体先天获得，可