智能优化计算猫群算法ppt课件

猫群算法基本思想
猫即待求优 问题的可 行解
搜寻模式
跟踪模式
猫在懒散、环顾四周状 态时的模式称之为搜寻 模式 跟踪动态目标时的状态 称之为跟踪模式。
猫群算法 思想
搜寻模式
跟踪模式
猫群算法步骤
之后再根据结合率随机地将猫群分为搜寻 部分和跟踪部分的猫，以此方法进行迭代 计算直到达到预设的迭代次数 当猫进行完搜寻模式和跟踪模式后，根 据适应度函数计算它们的适应度并保留 当前群体中最好的解。最短时间控制等 每只猫的属性、每一维的速度、对 基准函数的适应值及表示猫是处于 搜寻模式或者跟踪模式的标识值
d 1 , 2 , M
vi,d (t 1 ) 表示更新后第i只猫在第d维的速度值，M为维数大小;
Xbest ,d (t)
表示猫群中当前具有最好适应度值的猫的位置
跟踪模式过程描述
xi,d (t ) 指当前第i只猫在第d维的位置
c是个常量，其值需要根据不同的问题而定 r是一个[0,1]之间的随机值。 (2)判断每一维的速度变化是否都在SRD内。给每一维的变 异加一个限制范围，是为了防止其变化过大，造成算法在 解空间的盲口随机搜索。SRD在算法执行之前给定，如果每 一维改变后的值超出了SRD的限制范围，则将其设定为给定 的边界值。 (3)位置更新。根据公式(2)利用更新后的速度来更新猫的位置 x ( t 1 ) x ( t ) v ( t 1 ), (2) i , d i . d i , d
d 1 , 2 , ,M
) 表示第i只猫更新后的位置。 式中 xi (t 1
算法流程
利用猫群算法求解流水车间调度问题
• 流水车间调度是要确定n个工件在m台机器上的加工顺序 ，使得所有工件在机器上的总流经时间达到最小。同时 此模型应满足如下的约束。 • 1)同一时刻一台机器只能加工一个工件，且一个工件只 能由一台机器加工。 • 2)所有工件在机器上加工的顺序相同。 • 3)每个工件在各机器上的准备时间和加工时间给定。 • 4)每个工件必须被所有机器加工，且仅加工一次。 • 5)工件可以在机器间无限等待。
智能优化计算 猫群算法
智能优化算法
群体智能(Swarm Intelligence ) 算法
蚁群算法
粒子群优化算法
人工鱼群算法
混合虹跳算法
细菌觅食算法
猫群算法
群体智能算法应用
• 组合优化 • 图像处理
• 多口标优化 • 模式识别 • 数据分类 • 数据聚类 • 流程规划 • 系统辨识
猫群算法概述
• 猫群算法(Cat Swarm Optimization ,缩写为CSO)是由S hu-An Chu等人在2006年首次提出来的一种基于猫的行 为的全局优化算法 • 根据生物学分类，猫科动物大约有犯种，例如:狮子、老 虎、豹子、猫等。尽管生存环境不同，但是猫科动物的 很多生活习性非常相似。 • 猫的警觉性非常高，即使在休息的时候也处于一种高度 的警惕状态，时刻保持对周围环境的警戒搜寻;它们对于 活动的口标具有强烈的好奇心，一旦发现口标便进行跟 踪，并且能够迅速地捕获到猎物。 猫群算法正是通过将猫的搜寻和跟踪两种行为结合起来， 提出的一种解决复杂优化问题的方法
利用猫群算法ຫໍສະໝຸດ Baidu解流水车间调度问题
CSO算法相关参数设置为: 配比 MR=0.2 记忆池大小T=10 连续位置区间为[0,4] 速度区间为[-1,1] 变化域范围为[-1,1] ,8 变异率 p m 0 三种算法均独立运行20次，迭代次数为ioo代，种群规模均 为300
跟踪模式过程描述
(1)速度更新。整个猫群经历过的最好位置，即目前搜索到的 最优解，记做 X best 。 { v , v , v } 每只猫的速度记做 v i i 1 i 2 id 每只猫根据公式(1)来更新自己的速度
i , d v ( t 1 ) v ( t ) r c ( X ( t ) x ( t )), (1) i , d best , d i , d
利用猫群算法求解流水车间调度问题
• 故工件j(j=1,2, …,n)在机器i(i=1,2, …,m)上 的完工时间C(i,j)可表示为:C(i,j)=max{C(i1,j),C(i,j-1)}+p(i,j) 式中:p(i,j)为工件.j在机器i上的加工时间。 • 问题的目标最优值 C 即是确定一个最优排序π 使 得最大完工时间 Cmax() 最小。
达到预设 迭代次数 计算适应度 保留最好的解
首先需要确定参与优化计 算的个体数，即猫的数量
数学描述
记忆池(SMP)定义了每一只 变化域（SRD)表示选择域的 猫的搜寻记忆大小，表示 变异率，搜寻模式中，每一 猫所搜寻到的位置点，猫 维的改变范围由变化域决定 将根据适应度大小从记忆 根据经验一般取值为 池中选择一个最好的位 0. 2 置点。 搜寻模式中的 4个基本要素 变化数(CDC)指每一 只猫将要变异的维数 的个数，其值是一个 从。到总维数之间的 随机值 自身位置判断(SPC) !是一个布尔值，表 示猫是否将已经过的 位置作为将要移动到 的候选位置之一，其 值不影响SMP的取值。
利用猫群算法求解流水车间调度问题
本文采用广泛使用的用于测试算法性能的8个不同规模的F SP来测试猫群算法(CSO)的性能，这8个算例是由Carlier 设计，故也被称为Car问题。 本文用标准粒子群算法(PSO)和蝙蝠算法(BA)与CSO算法进 行测试比较，之所以选用PSO和BA，是因为PSO算法是一种 发展较早且已较成熟的群智能算法，而BA算法与CSO算法 同样是较新颖的算法，同时三种算法的机制有很多相似之 处。
搜寻模式过程描述
• (1)将当前位置复制J份副本放在记忆池中，j=SMP，即记忆 池的大小为j;如果SPC的值为真，令j=(SMP-1)，将当前位 置保留为候选解。 • (2)对记忆池中的每个个体副本，根据CDC的大小，随机地 对当前值加上或者减去SRD%(变化域由百分率表示)，并用 更新后的值来代替原来的值。 • (3)分别计算记忆池中所有候选解的适应度值 • （4)从记忆池中选择适应度值最高的候选点来代替当前猫 的位置，完成猫的位置更新。