智能优化方法

智能优化方法第1页，课件共25页，创作于2023年2月第六章智能优化理论和方法6.1智能优化理论和方法概述6.2遗传算法介绍6.3遗传算法算例6.4遗传算法应用第2页，课件共25页，创作于2023年2月6.1智能优化理论和方法概述随着仿生学、遗传学和人工智能科学的发展，从20世纪70年代以来，研究人员相继将遗传学、神经网络科学的原理和方法应用到最优化领域，形成了一系列的最优化方法如人工神经网络算法，遗传算法，蚁群算法等。这些算法不需要构造精确的数学搜索方向，不需要进行繁杂的一维搜索，而是通过大量简单的信息传播和演变方法来得到问题的最优解。这些算法具有全局性、自适应性、离散化的特点。第3页，课件共25页，创作于2023年2月6.1智能优化理论和方法概述——续神经网络优化方法人工神经网络（artificalneuralnetwork,ANN）是指由大量简单人工神经元互联而成的一种计算结构。它可以在某种程度上模拟生物神经系统的工作过程，从而具备解决问题的能力。人工神经网络由于其大规模并行处理、学习、联想和记忆等功能，以及它的高度自组织和自适应能力，已成为解决许多问题的有力工具，近年来得到了飞速的发展。迄今为止，已有数十种不同的人工神经网络模型被提出，分别适用于不同的问题领域，如计算机视觉、语言识别、智能控制、模式识别等。第4页，课件共25页，创作于2023年2月6.1智能优化理论和方法概述——续遗传学算法是模拟自然界生物进化的一种随机、并行和自适应搜索算法。它将优化参数表示成的编码串群体，根据适应度函数进行选择、交叉和变异遗传操作。遗传算法广泛应用于自动控制、规划设计、组合优化、图像处理、机器学习、信号处理、人工生命等领域。第5页，课件共25页，创作于2023年2月6.2遗传算法介绍遗传算法的一次迭代称为一代，每一代都有一组解。新的一组解不但可以有选择的保留一些适度值高的旧的解，而且可以包括一些由其他解结合得到的新解。最初的一组解（初始群体）是随机生成的，之后的每组新解由遗传操作生成。每个解都通过一个与目标函数相关的适应度函数给予评价，通过遗传过程不断重复，达到收敛，而获得问题的最优解。第6页，课件共25页，创作于2023年2月6.2遗传算法介绍——续现代生物遗传学中描述的生物进化理论:遗传物质的主要载体是染色体，染色体主要由DNA和蛋白质组成。其中DNA为最主要的遗传物质。基因是有遗传效应的片断,它存储着遗传信息,可以准确地复制,也能发生突变,并可通过控制蛋白质的合成而控制生物的状态.生物自身通过对基因的复制和交叉的操作时其性状的遗传得到选择和控制。生物的遗传特性,使生物界的物种能保持相对的稳定;生物的变异特性,使生物个体产生新的性状,以至于形成了新的物种(量变积累为质变),推动了生物的进化和发展。

第7页，课件共25页，创作于2023年2月6.2遗传算法介绍——续遗传学算法和遗传学中的基础术语比较：第8页，课件共25页，创作于2023年2月6.2遗传算法介绍——续与传统优化方法相比，遗传算法的优点是：群体搜索不需要目标函数的导数概率转移准则第9页，课件共25页，创作于2023年2月6.2遗传算法介绍——续遗传算法研究热点收敛性证明新型高效的遗传算子设计遗传算法与局部优化算法的结合遗传算法在各领域的应用研究软计算与计算智能中的遗传算法第10页，课件共25页，创作于2023年2月6.2遗传算法介绍——续遗传算法的准备工作:

1)数据转换操作：包括表现型到基因型的转换和基因型到表现型的转换。2)确定适应度计算函数：可以将个体值经过该函数转换为该个体的适应度,该适应度的高低要能充分反映该个体对于解得优秀程度。第11页，课件共25页，创作于2023年2月6.2遗传算法介绍——续遗传算法的基本步骤：1)编码,创建初始群体（初始解）2)群体中个体适应度计算3)评估适应度4)根据适应度选择个体5)被选择个体进行交叉繁殖,6)在繁殖的过程中引入变异机制7)繁殖出新的群体,回到第2）步第12页，课件共25页，创作于2023年2月6.3遗传算法算例遗传算法简单算例：求下述二元函数的最大值：第13页，课件共25页，创作于2023年2月6.3遗传算法算例——续遗传算法程序实现：第14页，课件共25页，创作于2023年2月6.4遗传算法应用遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域。所以，广泛应用于很多学科。下面是遗传算法的一此主要应用领域。函数优化组合优化生产调度问题自动控制机器人学图像处理人工生命数据挖掘等第15页，课件共25页，创作于2023年2月6.4遗传算法应用——续函数优化函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。很多人构造出了各种各样的复杂形式的测试函数。连续、离散、凸函数、凹函数、低维函数、高维函数，确定函数、随机函数、单峰值函数、多峰值函数等。算法的本质效果而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解。而遗传算法却可以方便地得到较好的结果第16页，课件共25页，创作于2023年2月6.4遗传算法应用——续组合优化随着问题规模的增大，组合优化问题的搜索空间也急剧扩大。有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有NP难度的问题得到成功的应用。第17页，课件共25页，创作于2023年2月6.4遗传算法应用——续生产调度问题：生产调度问题在很多情况下建立起来的数学模难以精确求解，即使经过一些简化之后可以进行求解.也会因简化得太多而使得求解结果与实际相差甚远。目前在现实生产中主要是靠一些经验来进行调度。现在遗传算法已成为解决复杂调度问题的有效下具。在单件生产车间调度、流水线生产间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。第18页，课件共25页，创作于2023年2月6.4遗传算法应用——续自动控制：在自动控制领域中有很多与优化相关的问题需要求解。遗传算法已在其中得到了初步的应用，并显示出良好的效果。例如用遗传算法进行：航空控制系统的优化、设计空间交会控制器模糊控制器的优化设计参数辨识、模糊控制规则的学习人工神经网络的结构优化设计和权值学习等。第19页，课件共25页，创作于2023年2月6.4遗传算法应用——续数据挖掘：数据挖掘是近几年出现的数据库技术，它能够从大型数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规则。许多数据挖掘问题可看成是搜索问题，数据库看作是搜索空间，挖掘算法看作是搜索策略。因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规则进行进化.直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则。Sunil已成功地开发了一个基于遗传算法的数据挖掘下具。利用该工具对两个飞机失事的真实数据库进行了数据挖掘实验，结果表明遗传算法是进行数据挖掘的有效方法之一。

第20页，课件共25页，创作于2023年2月6.4遗传算法应用——续遗传算法在应用中关键的问题:1．串的编码方式一般把问题的各种参数用二进制编码，构成子串；然后把子串拼接构成“染色体”串。串长度及编码形式对算法收敛影响极大。虽然二进制编码适于进行遗传操作，但在求解高精度问题时，运行性能差，也不便于反映所求问题的特定特性决策变量需要采用浮点型编码，等。第21页，课件共25页，创作于2023年2月6.4遗传算法应用——续遗传算法在应用中关键的问题:2．适应函数的确定适应函数(fitnessfunction)也称对象函数(objectfunction)，这是问题求解品质的测量函数；往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数；但有时需要另行构造。第22页，课件共25页，创作于2023年2月6.4遗传算法应用——续遗传算法在应用中关键的问题:3．遗传算法自身参数设定遗传算法自身参数有3个：群体大小n、交叉概率Pc和变异概率Pm。群体大小n太小时难以求出最优解，太大则增长收敛时间,一般n＝30-160。交叉概率Pc太小时难以向前搜索，太大则容易破坏高适应值的结构，一般取Pc=0.25-0.75(0.4-0.9)。变异概率Pm太小时难以产生新的基因结构，太大使遗传算法成了单纯的随机搜索，一般取Pm＝0．01—0．2(0.01-0.1)。第23页，课件共25页，创作于2023年2月6.4遗传算法应用——续遗传算法在应用中关键的问题:4选择策略轮盘