智能优化方法优秀课件

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。
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（artifical neural network, ANN）是指 由大量简单人工神经元互联而成的一种计算结构。
智能优化方法
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
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
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、
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。
6.2 遗传算法介绍
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。
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：
染色体 (chromosome) 基因 (gene)
等位基因 (allele) 基因座 (locus) 表现型 (phenotype) 遗传隐匿 (epistasis)
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。
6.2 遗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。
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
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。
数据 ,数 组 ,序列 单个元素 ,位
数据值 ,属性 ,值 位置,iterator 位置 参数集 ,解码结构 ,候选解
非线性
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
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
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。
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
任务分配等方面遗传算法都得到了有效的应用。
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。
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：
6.3 遗传算法算例——续
遗传算法程序实现：
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