智能算法30个案例分析

智能算法30个案例分析

【篇一：智能算法30个案例分析】

智能算法是我们在学习中经常遇到的算法，主要包括遗传算法，免

疫算法，粒子群算法，神经网络等，智能算法对于很多人来说，既

爱又恨，爱是因为熟练的掌握几种智能算法，能够很方便的解决我

们的论坛问题，恨是因为智能算法感觉比较“玄乎”，很难理解，更

难用它来解决问题。

因此，我们组织了王辉，史峰，郁磊，胡斐四名高手共同写作

matlab 智能算法，该书包含了遗传算法，免疫算法，粒子群算法，

鱼群算法，多目标pareto 算法，模拟退火算法，蚁群算法，神经网络，svm 等，本书最大的特点在于以案例为导向，每个案例针对一

个实际问题，给出全部程序和求解思路，并配套相关讲解视频，使

读者在读过一个案例之后能够快速掌握这种方法，并且会套用案例

程序来编写自己的程序。本书作者在线，读者和会员可以向作者提问，作者做到有问必答。

本书和目录如下：基于遗传算法的tsp算法（王辉） tsp (旅行商问题—traveling salesman problem)，是典型的np 完全问题，即其

最坏情况下的时间复杂性随着问题规模的增大按指数方式增长，到

目前为止不能找到一个多项式时间的有效算法。遗传算法是一种进

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。实践证明，遗传算法对于解决

tsp 问题等组合优化问题具有较好的寻优性能。

基于遗传算法和非线性规划的函数寻优算法（史峰）遗传算法提供

了求解非线性规划的通用框架，它不依赖于问题的具体领域。遗传

算法的优点是将问题参数编码成染色体后进行优化，而不针对参数

本身，从而不受函数约束条件的限搜索过程从问题解的一个集合开始，而不是单个个体，具有隐含并行搜索特性，大大减少陷入局部

最小的可能性。而且优化计算时算法不依赖于梯度信息，且不要求

目标函数连续及可导，使其适于求解传统搜索方法难以解决的大规模、非线性组合优化问题。

用于模式分类、模式识别等方面．但 bp 算法收敛速度慢，且很容易

陷入局部极小点，而遗传算法具有并行搜索、效率高、不存在局部

收敛问题等优点而被广泛应用．遗传算法的寻优过程带有一定程度

的随机性和盲从性，多数情况下只能收敛到全局次优解，且有过早

收敛的现象．为了克服遗传算法寻优过程的盲从性，将有监督学习

的bp 算法与之结合以达到优势互补、提高算法的稳定性和全局搜

索能力的目的。

设菲尔德大学的matlab遗传算法工具箱（王辉） matlab 遗传算法(genetic algorithm)优化工具箱是基于基本操作及终止条件、二进制和十进制相互转换等操作的综合函数库。其实现步骤包括：通过输

入及输出函数求出遗传算法主函数、初始种群的生成函数，采用选择、交叉、变异操作求得基本遗传操作函数。以函数仿真为例，对

该函数优化和ga 改进，只需改写函数m 文件形式即可。

基于遗传算法的lqr控制优化算法（胡斐） lqr 控制在工程中得到了

广泛的应用，对于lqr 最优控制方法，性能指标中权重矩阵的选择

对控制系统的性能有很大影响。权重矩阵通常的确定方法，首先是

根据经验初步确定，然后通过模拟，根据输出响应量逐步调整权重

系数，直到获得满意的输出响应量为止。这种确定方法不仅费时，

而且无法获得最优的权重矩阵使系统性能达到最优。本案例将研究

基于遗传算法的lqr 控制优化算法，利用遗传算法的全局寻优能力，搜索权重矩阵。

遗传算法工具箱详解及应用（胡斐）matlab 自带的遗传算法与直接

搜索工具箱(genetic algorithm directsearch toolbox, gadst)，可

以较好地解决与遗传算法相关的各种问题。gadst 可以通过gui 界面调用，也可以通过命令行方式调用，使用简单方便。本案例将对gadst 函数库的遗传算法部分进行详细的代码分析和讲解，并通过

求解非线性方程组介绍gadst 的使用方法。

多种群遗传算法的函数优化算法（王辉）标准遗传算法有时候会出

现未成熟收敛问题，在求解多目标优化问题时显得尤其严重。遗传

算法存在未成熟收敛问题，在求解多目标优化问题时显得尤其严重。因此已有学者提出了多种群遗传算法。该算法中多个种群使用同一

目标函数，各种群的交叉率和变异率取不同的固定值，以搜索不同

解空间中的最优解，种群之间定期进行信息交换。多种群遗传算法

能在一定程度上缓解遗传算法的不成熟收敛问题。

基于量子遗传算法的函数寻优算法（王辉）量子遗传算法(quantum genetic algorithm，qga)是量子计算与遗传算法(genetic algorithm，ga)相结合的产物，是一种新发展起来的概率进化算法。

量子遗传算法是将量子计算与遗传算法相结合而形成的一种混合遗

传算法，它弥补了传统遗传算法的某些不足；利用量子计算的一些

概念和理论，如量子位、量子叠加态等，使用量子比特编码染色体，这种概率幅表示可以使一个量子染色体同时表达多个状态的信息，

用量子门对叠加态的作用作为进化操作，能很好地保持种群多样性

和避免选择压力问题，而且当前最优个体的信息能够很容易用来引

导变异，使得种群以大概率向着优良模式进化，从而实现目标的优

化求解。

多目标pareto最优解搜索算法（胡斐）多目标优化是指在约束条件

下有两个或两个以上的优化目标，而且这些目标之间相互矛盾，不

能同时达到最优，也就是说，一个目标的最优往往是以牺牲其它目

标作为代价的，因此多目标优化问题存在多个最优解，这些解之间

无法比较优劣，统称为 pareto 最优解。带精英策略的快速非支配排序遗传算法(nondominated sorting genetic algorithm ii，nsga-ii)

是目前应用较为广泛的一种多目标算法。本案例将对matlab自带

的改进的nsga-ii 进行讲解，并举例说明其应用。

10 基于多目标pareto 的二维背包搜索算法（史峰）背包问题（knapsack problem）是运筹学一个典型的优化难题，但是它有着

广泛的应用背景，如装载问题、材料切割、投资决策以及资源分配等，往往还将其作为其他问题的子问题加以研究。它是个典型的

np 问题，对其求解主要采用启发式算法，如贪心算法、遗传算法及

模拟退火算法等。粒子群算法是一种新的进化算法，运算简单、易

于实现，该案例将其用于多目标二维背包问题中，向读者阐明粒子

群算法解决带有约束的多目标组合优化问题的方 11基于免疫算法的

柔性车间调度算法（史峰）有效的调度方法与优化技术的研究和应用，对于制造企业提高生产效率，降低生产成本等方面起着重要作用。然而柔性车间调度问题计算复杂，约束条件多，普通算法容易

陷入局部最优问题。免疫算法是模仿免疫系统抗原识别，抗原与抗

体产生过程，并利用免疫系统多样性和记忆抽象得到的算法，具有

非线性，全局化搜索等优势，本案例研究了基于免疫算法的柔性车

间调度算法。

12 基于免疫算法的运输中心规划算法（史峰）随着物流业的快速发展，配送在整个物流系统中的所起的作用越发重要，因而配送中心

的选址对于企业的网络布局、经营方式等起到了重要作用。然而，

配送中心的选择具有计算复杂、约束条件多等问题，普通算法难以