第1章優(yōu)化算法基本理論_第1頁
第1章優(yōu)化算法基本理論_第2頁
第1章優(yōu)化算法基本理論_第3頁
第1章優(yōu)化算法基本理論_第4頁
第1章優(yōu)化算法基本理論_第5頁
已閱讀5頁,還剩27頁未讀 繼續(xù)免費閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)

文檔簡介

智能優(yōu)化算法

第一章優(yōu)化算法基本理論

第二章神經(jīng)網(wǎng)絡(luò)基本理論

第三章遺傳算法基本理論

第四章蟻群算法基本理論

第五章蜂群算法基本理論

第六章粒子群算法基本理論

第七章魚群算法基本理論

第八章其他群智能優(yōu)化算法課程結(jié)構(gòu)及學(xué)時安排1.1

優(yōu)化的概念與方法

1.1.1優(yōu)化的概念1.1.2優(yōu)化的一般數(shù)學(xué)模型

1.1.3優(yōu)化的分類

1.1.4優(yōu)化問題的求解方法

1.1.5

常用的無約束優(yōu)化方法1.2智能優(yōu)化的概念及分類

1.2.1智能優(yōu)化的概念1.2.2智能優(yōu)化的分類1.3群體智能的概念及分類

1.3.1群體智能的概念1.3.2群體智能的分類

1.3.3群體智能的特點1.3.2群體智能算法的一般流程第1章優(yōu)化算法基本理論1.1優(yōu)化的概念及方法

1.1.1優(yōu)化的概念優(yōu)化、最優(yōu)化均是一個術(shù)語,是指關(guān)于求解一個問題的“最優(yōu)”解的計算科學(xué)的一個分支,也就是從各種可能方案中選取一個最好的,以達到最優(yōu)目標。從數(shù)學(xué)意義上說,最優(yōu)化方法是一種求極值的方法,即在一組約束為等式或不等式的條件下,使系統(tǒng)的目標函數(shù)達到極值,即最大值或最小值。從經(jīng)濟意義上說,是在一定的人力、物力和財力資源條件下,使經(jīng)濟效果達到最大(如產(chǎn)值、利潤),或者在完成規(guī)定的生產(chǎn)或經(jīng)濟任務(wù)下,使投入的人力、物力和財力等資源為最少。1.1優(yōu)化的概念及方法

優(yōu)化技術(shù)是一種以數(shù)學(xué)為基礎(chǔ)、用于求解各種工程問題優(yōu)化解的應(yīng)用技術(shù)。1.1.2優(yōu)化的一般數(shù)學(xué)模型

數(shù)學(xué)模型

s.t.式中,,即為n維矢量,也稱為決策變量;、和均為的函數(shù),稱為目標函數(shù),稱為等式約束函數(shù),稱為不等式約束函數(shù);s.t.為英文subjectto的縮寫,表示“受限制于”。對于求目標函數(shù)極大值的問題,可以轉(zhuǎn)化為求極小值。

1.1優(yōu)化的概念及方法

幾個定義

?可行解:又稱為可行點或容許解,是指滿足約束條件的。?可行域:又稱為容許集,是指全體可行解構(gòu)成的集合,即若和為連續(xù)函數(shù),則D是閉集。?最優(yōu)解:一般分為整體最優(yōu)解(總體最優(yōu)解)、嚴格整體最優(yōu)解、局部最優(yōu)解、嚴格局部最優(yōu)解。?整體最優(yōu)解:若,對于一切恒有,則稱為最優(yōu)問題的整體最優(yōu)解。1.1優(yōu)化的概念及方法1.1優(yōu)化的概念及方法

?嚴格整體最優(yōu)解:若,對于一切和恒有,則稱為最優(yōu)問題的嚴格整體最優(yōu)解。?局部最優(yōu)解:若,存在的某鄰域(),使得對于一切,恒有,則稱為最優(yōu)問題的局部整體最優(yōu)解。?嚴格局部最優(yōu)解:若,存在的某鄰域(),使得對于一切,恒有,則稱為最優(yōu)問題的嚴格局部整體最優(yōu)解。?最優(yōu)值:最優(yōu)解對應(yīng)的目標函數(shù)值稱為最優(yōu)值。

?范數(shù):在n維線性空間中,定義實函數(shù),使其滿足以下三個條件:

①對于任意,有,當且僅當,;

②對于任意及實數(shù),有;

③對于任意,有。則稱函數(shù)為上的向量范數(shù)。?

p-范數(shù):對于任意,,定義p-范數(shù)為1.1優(yōu)化的概念及方法

?∞-范數(shù):

?2-范數(shù):,通常記作

整體最優(yōu)解與局部最優(yōu)解的關(guān)系整體最優(yōu)解一定是局部最優(yōu)解,而局部最優(yōu)解不一定是整體最優(yōu)解。1.1優(yōu)化的概念及方法1.1.3優(yōu)化的分類

根據(jù)約束條件分類?無約束最優(yōu)化問題:沒有約束條件限制的最優(yōu)化問題。?約束最優(yōu)化問題:有約束條件的最優(yōu)化問題。約束最優(yōu)化問題又可分為

?等式約束最優(yōu)化問題:

?不等式約束最優(yōu)化問題:?混合約束最優(yōu)化問題:既有等式約束,又有不等式約束最優(yōu)化問題。即1.1優(yōu)化的概念及方法1.1優(yōu)化的概念及方法根據(jù)決策變量取值的狀態(tài)分類?連續(xù)最優(yōu)化問題:決策變量取值是連續(xù)的優(yōu)化問題。?離散最優(yōu)化問題:決策變量取值是離散的優(yōu)化問題。

根據(jù)決策變量取值的性質(zhì)分類?確定性最優(yōu)化問題:每個決策變量取值是確定的。?隨機性最優(yōu)化問題:某些決策變量取值是不確定的,但知道決策變量取某值而服從一定的概率分布。

按照目標函數(shù)和約束函數(shù)的勞累性分類?線性最優(yōu)化問題:目標函數(shù)和所有約束條件中的函數(shù)都是決策變量的線性函數(shù),即、和均為的線性函數(shù)。1.1優(yōu)化的概念及方法

?非線性最優(yōu)化問題:目標函數(shù)或約束條件中至少有一個是決策變量的非線性函數(shù),即、和中至少有一個是的非線性函數(shù)。

按照最優(yōu)化解是否變化分類?靜態(tài)最優(yōu)化問題:最優(yōu)化問題的解不隨時間而變。?動態(tài)最優(yōu)化問題:最優(yōu)化問題的解隨時間而變化。

按照目標函數(shù)的個數(shù)分類?單目標最優(yōu)化問題:最優(yōu)化問題中只有一個目標函數(shù)。?多目標最優(yōu)化問題:最優(yōu)化問題中含有多個目標函數(shù)。1.1.4優(yōu)化問題的求解方法

一般思路

最優(yōu)化問題的一般求解方法是迭代算法。首先給定一個初始可行點(即初始值),然后從此點出發(fā),依次產(chǎn)生一個可行點列,記作,使得某個恰好是問題的一個最優(yōu)解,或者說該點列收斂到問題的一個最優(yōu)解。一般步驟包括:

①給定初始點,即令;

②確定處的下降方向,使得點沿方向移動時函數(shù)值有所下降;

③確定步長,令使得;1.1優(yōu)化的概念及方法1.1優(yōu)化的概念及方法④若滿足某種終止準則,則停止迭代,以為近似最優(yōu)解。否則令轉(zhuǎn)①。

影響算法收斂的條件

?如果某算法構(gòu)造出的點列能夠在有限步之內(nèi)得到最優(yōu)化問題的最優(yōu)解,或者說點列有極限點,且其極限點就是最優(yōu)解,則稱算法是收斂的。算法收斂的影響因素較多,包括初始點的選取、下降方向的確定、迭代步長的選擇以及目標函數(shù)自身的影響。除要求收斂外,一般還要求收斂速度要快。?收斂:設(shè)序列,對于,存在正整數(shù)N,當時,有,則稱收斂于。1.1優(yōu)化的概念及方法

?線性收斂:設(shè)序列收斂于,且若,則稱序列為線性收斂,為收斂比;若,則稱序列為超線性收斂;若,則稱序列為次線性收斂。

?

p階收斂:設(shè)序列收斂于,若對于某個實數(shù),有則稱序列為p階收斂,一般情況下,稱為二階收斂。1.1優(yōu)化的概念及方法常用的終止準則

?(,預(yù)先給定)或;?,;?;

?上述三種終止準則的組合。1.1.5常用的無約束優(yōu)化方法

常用的無約束最優(yōu)化方法包括最速下降法和牛頓法等。

最速下降法最速下降法又稱為梯度法、梯度下降法,是1847年由著名數(shù)學(xué)家Cauchy推導(dǎo)而出。根據(jù)泰勒公式得由此可見,當時,,符合迭代要求。1.1優(yōu)化的概念及方法

由于,為和的夾角。故當時,取得極小值,下降最快。一般取,得到即負梯度方向使目標函數(shù)下降最快,稱為最速下降法。

牛頓(Newton)法牛頓(Newton)法最初由艾薩克·牛頓(IsaacNewton,1643年1月4日~1727年3月31日)在《流數(shù)法》(MethodofFluxions)首次提出(1671年完成,在牛頓死后的1736年公開發(fā)表),同時約瑟夫·拉弗森(JosephRaphson,1648年~1715年)也曾于1690年在AnalysisAequationum中提出此方法。故有時稱為牛頓-拉弗森法。1.1優(yōu)化的概念及方法

設(shè)二階連續(xù)可導(dǎo),對在處進行泰勒展開,得設(shè)為的近似最優(yōu)解,得到即得到牛頓迭代公式為1.1優(yōu)化的概念及方法

最速下降法的應(yīng)用以最小均方算法(簡稱LMS)為例。如圖1-1為一橫向濾波器圖中,為輸入矢量,為抽頭系數(shù)矢量。1.1優(yōu)化的概念及方法圖1-1橫向濾波器結(jié)構(gòu)圖

設(shè)為系統(tǒng)的期望響應(yīng)信號,為濾波器實際輸出相對于的誤差,即按照最小均方誤差準則(簡稱MMSE),定義濾波器的輸出與期望響應(yīng)之間的均方誤差(簡稱MSE)為代價函數(shù),即定義為濾波器輸入序列的自相關(guān)矩陣,是一個L×L階方陣;為互相關(guān)矩陣。于是,上式可表示為1.1優(yōu)化的概念及方法

根據(jù)最小均方誤差準則,使上式對W的梯度(即偏導(dǎo))為零,即則可得到

的最佳值

應(yīng)滿足方程式中,稱為橫向濾波器的維納解,即最佳濾波器系數(shù)矢量。由于均方誤差函數(shù)(即代價函數(shù))是濾波器系數(shù)的二次方程,故形成了一個多維的超拋物曲面,好象一個碗狀曲面且只有唯一的碗底最小點,通常稱為濾波器的誤差性能曲面。當給定初始值時,均方誤差就位于誤差性能曲面上的某一點,系數(shù)的自適應(yīng)調(diào)節(jié)使得均方誤差超碗底的最小點方向移動,最終到達碗底的最小點,實現(xiàn)了最佳維納濾波。1.1優(yōu)化的概念及方法

在自適應(yīng)算法中,人們提出了不少梯度估計的方法,其中最著名、應(yīng)用最廣的是B.Widrow提出的LMS算法。其算法的核心思想是用平方誤差代替均方誤差,即代價函數(shù)變?yōu)楦鶕?jù)最陡下降法得到LMS自適應(yīng)均衡算法公式為式中,為步長因子。1.1優(yōu)化的概念及方法1.2智能優(yōu)化的概念及方法1.2智能優(yōu)化的概念及方法

1.2.1智能優(yōu)化的概念人工智能(ArtificialIntelligent,簡稱AI)是在計算機科學(xué)、控制論、信息論、哲學(xué)、語言學(xué)等多種學(xué)科研究基礎(chǔ)上發(fā)展起來的一門綜合性交叉學(xué)科。即人工智能就是用人工的方法在機器(計算機)上實現(xiàn)的智能,或者說是人們使機器具有類似于人的智能。智能優(yōu)化算法(intelligentoptimizationalgorithms)是以模擬物質(zhì)變化過程或模擬生命體而設(shè)計的搜索方式為基礎(chǔ)的各類算法的總稱。有時也稱為啟發(fā)式算法(modernheuristicalgorithms)、仿生算法、演化算法或進化算法。1.2智能優(yōu)化的概念及方法

智能優(yōu)化算法的本質(zhì)都屬于隨機性算法,最大優(yōu)點是不需要目標函數(shù)具有可導(dǎo)性,甚至不需要目標函數(shù)有明確的表達形式,只要知道輸入輸出即可。1.2.2智能優(yōu)化的分類兔子理論:為了找出地球上最高的山,一群兔子開始想辦法。

兔子朝著比現(xiàn)在高的地方跳去。他們找到了不遠處的最高山峰。但是這座山不一定是珠穆朗瑪峰。這就是局部搜索,它不能保證局部最優(yōu)值就是全局最優(yōu)值。

兔子喝醉了。他隨機地跳了很長時間。這期間,它可能走向高處,也可能踏入平地。但是,他漸漸清醒了并朝最高方向跳去。這就是模擬退火。1.2智能優(yōu)化的概念及方法兔子們吃了失憶藥片,并被發(fā)射到太空,然后隨機落到了地球上的某些地方。他們不知道自己的使命是什么。但是,如果你過幾年就殺死一部分海拔低的兔子,多產(chǎn)的兔子們自己就會找到珠穆朗瑪峰。這就是遺傳算法。

兔子們知道一個兔的力量是渺小的。他們互相轉(zhuǎn)告著,哪里的山已經(jīng)找過,并且找過的每一座山他們都留下一只兔子做記號。他們制定了下一步去哪里尋找的策略。這就是禁忌搜索。1.3群體智能的概念及方法1.3群體智能的概念及方法

1.3.1群體智能的概念群體智能(SI)簡稱群智能,指的是簡單智能的個體通過合作表現(xiàn)出復(fù)雜智能行為的特性,也就是無智能的主體通過合作表現(xiàn)出智能行為的特性。其本質(zhì)上是一種概率搜索,不需要問題的梯度信息。群體智能算法的基本思想是模擬自然界生物的群體行為來構(gòu)造隨機優(yōu)化算法。將搜索和優(yōu)化過程模擬成個體的進化或覓食過程,用搜索空間中的點模擬自然界中的個體,將求解問題的目標函數(shù)度量成個體對環(huán)境的適應(yīng)能力,將個體的優(yōu)勝劣汰過程或覓食過程類比為搜索和優(yōu)化過程中用好的可行解取代較差可行解的迭代過程。1.2智能優(yōu)化的概念及方法

因此,形成一種以“生成+檢驗”特征的迭代搜索算法,是一種求解極值問題的自適應(yīng)人工智能技術(shù)。也可以說,群智能是一種自下而上的優(yōu)化方法,即首先設(shè)計單個實體的感知、行為機制,然后將一個或一群實體置于環(huán)境中,讓它們在與環(huán)境的交互作用中解決問題。1.3.2群體智能的分類由于群體智能是由社會性動物的自組織行為產(chǎn)生的,因此新算法不斷涌現(xiàn)。根據(jù)目前的有關(guān)報道,主要有粒子群算法、蟻群算法、魚群算法、蜂群算法、蛙跳算法、布谷鳥算法、螢火蟲算法、蝙蝠算法、磷蝦群算法、細菌覓食算法、煙花算法、頭腦風暴算法、智能水滴算法、磁鐵算法等等。1.2智能優(yōu)化的概念及方法1.3

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
  • 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論