第12讲智能优化算法简介
- 格式:ppt
- 大小:749.00 KB
- 文档页数:55
《最优化技术》课程教学大纲一、课程基本信息二、课程教学目标本课程是信息与计算科学专业的专业核心课,是培养数学建模能力的核心理论基础之一。
通过学习,使学生掌握最优化方法的基本概念和基本理论,使学生掌握整体优化的基本思想,培养学生的逻辑思维能力和创新素质,培养应用最优化方法解决实际问题的能力,熟练掌握最优化方法的程序设计方法,培养学生运用模型和算法并借助计算机手段解决实际问题的能力。
1.掌握整体优化的基本思想,具有应用最优化方法解决实际问题的能力;2.掌握最优化方法的程序设计方法;3.掌握建立数学模型的基本方法和应用计算机解决实际问题的能力;三、教学学时分配《最优化技术》课程理论教学学时分配表*理论学时包括讨论、习题课等学时。
《最优化技术》课程实验内容设置与教学要求一览表四、教学内容和教学要求第一章线性规划(10学时)(一)教学要求通过本章内容的学习,了解线性规划模型的基本特征、基本概念及基本理论;理解单纯形法的基本思想方法;掌握单纯形法的基本步骤,并能利用单纯形法求解线性规划问题;理解人工变量法和两阶段法的基本思想。
(二)教学重点与难点教学重点:单纯形法的基本步骤教学难点:单纯形法的基本思想(三)教学内容第一节线性规划问题及其数学模型1.线性规划问题的数学模型;2.线性规划问题的标准形式。
第二节图解法1.图解法的步骤;2.线性规划问题求解的几种可能结局;3. 由图解法得到的启示。
第三节单纯形法原理1.线性规划问题的解的概念;2.单纯形法的迭代原理。
第四节单纯形法计算步骤1.单纯形法的步骤;2.单纯形法求解举例。
第五节单纯形法的进一步讨论1.人工变量法(大M法);2.两阶段法。
第六节应用举例1.生产计划问题;2.混合配料问题。
本章习题要点:1. 线性规划化为标准形式;2. 利用图解法求两个变量的线性规划问题;3. 利用单纯形法求解线性规划问题;4. 利用人工变量法或两阶段法求解线性规划问题;5. 建立实际问题的线性规划模型。
人工智能算法运行机制原理及方法谢德刚(上海互教智能科技有限公司 上海 201203)摘要:当前这一时期,在许多领域当中,人们大量地使用人工智能算法进行工作。
人工智能算法分为许多种类,该文从科学的角度,介绍了人工智能算法的原理,并按照一定的规律,分析并论述了部分种类的算法的运行机制原理,发现了其运行机制原理与方法,在一定程度上能够影响其非技术中立性与其价值取向性。
同时,也提出了人工智能算法的常见特征提取及优化方法,旨在为人工智能算法的开发与使用人员提供一些具有价值的参考信息。
关键词:人工智能算法 非技术中立性 算法权力 运行机制中图分类号:TP391文献标识码:A 文章编号:1672-3791(2022)12(b)-0013-04 The Principle and Method of the Operation Mechanism of ArtificialIntelligence AlgorithmXIE Degang(Shanghai Hujiao Artificial Intelligence Technology Co., Ltd., Shanghai, 201203 China)Abstract:In the current period, in many fields, people use artificial intelligence algorithms extensively. There are many types of artificial intelligence algorithms. This paper introduces the principles of artificial intelligence algo‐rithms from a scientific perspective, analyzes and discusses the operating mechanism principles of some kinds of al‐gorithms according to certain laws, and finds out their operating mechanism principles and methods, which can af‐fect their non-technical neutrality and value orientation to a certain extent. At the same time, the common feature extraction and optimization methods of AI algorithms are also proposed, aiming to provide some valuable reference information for the developers and users of AI algorithms.Key Words: Artificial intelligence algorithm; Nontechnical neutrality; Algorithm power; Operating mechanism人工智能算法建立于20世纪中期,目前人工智能算法已经发展出许多不同的种类,但有些类型的算法在实际的使用过程中还需要调整与改进。
第一章群体智能和进化计算优化问题存在于科学、工程和工业的各个领域。
在许多情况下,此类优化问题,特别是在当前场景中,涉及各种决策变量、复杂的结构化目标和约束。
通常,经典或传统的优化技术在以其原始形式求解此类现实优化问题时都会遇到困难。
由于经典优化算法在求解大规模、高度非线性、通常不可微的问题时存在不足,因此需要开发高效、鲁棒的计算算法,无论问题大小,都可以对其进行求解。
从自然中获得灵感,开发计算效率高的算法是处理现实世界优化问题的一种方法。
从广义上讲,我们可以将这些算法应用于计算科学领域,尤其是计算智能领域。
计算智能(CI)是一组受自然启发的计算方法和途径,用于解决复杂的现实世界问题。
CI主要包括模糊系统(Fuzzy Systems,FS)、神经网络(Neural Networks,NN)、群体智能(Swarm Intelligence,SI)和进化计算(Evolutionary Computation,EC)。
计算智能技术具有强大、高效、灵活、可靠等诸多优点,其中群体智能和进化计算是计算智能的两个非常有用的组成部分,主要用于解决优化问题。
本部分内容主要关注各种群体和进化优化算法。
1.1群体智能单词“Swarm”指的是一群无序移动的个体或对象,如昆虫,鸟,鱼。
更正式地讲,群体可以看作是相互作用的同类代理或个体的集合。
通过建模和模拟这些个体的觅食行为,研究人员已经开发了许多有用的算法。
“群体智能”一词是由Beni和Wang[1]在研究移动机器人系统时提出的。
他们开发了一套控制机器人群的算法,然而,早期的研究或多或少地都利用了鸟类的群居行为。
例如,1987年Reynolds[2]开发了一套程序,使用个体行为来模拟鸟类或其他动物的觅食行为。
群体智能是一门研究自然和人工系统的学科,由许多个体组成,这些个体基于社会实体间分散的、集体的和自组织的的合作行为进行协调,如鸟群、鱼群、蚁群、动物放牧、细菌生长和微生物智能。
H a r b i n I n s t i t u t e o f T e c h n o l o g y智能优化课程设计课程名称:智能优化算法论文题目:混沌优化算法院系:班级:设计者:学号:第一章混沌理论概述引言混沌是指确定动力系统长期行为的初始状态,或系统参数异常敏感, 却又不发散, 而且无法精确重复的现象, 它是非线性系统普遍具有的一种复杂的动力学行为。
混沌变量看似杂乱的变化过程, 其实却含有内在的规律性。
利用混沌变量的随机性、遍历性和规律性可以进行优化搜索, 其基本思想是把混沌变量线性映射到优化变量的取值区间, 然后利用混沌变量进行搜索。
但是, 该算法在大空间、多变量的优化搜索上, 却存在着计算时间长、不能搜索到最优解的问题。
因此, 可利用一类在有限区域内折叠次数无限的混沌自映射来产生混沌变量,并选取优化变量的搜索空间, 不断提高搜索精度等方法来解决此类难题。
混沌是非线性科学的一个重要分支, 它是非线性动力系统的一种奇异稳态演化行为, 它表征了自然界和人类社会中普遍存在的一种复杂现象的本质特征。
因此, 混沌科学倡导者Shlesinger和著名物理学家Ford 等一大批混沌学者认为混沌是20 世纪物理学第三次最大的革命, 前两次是量子力学和相对论, 混沌优化是混沌学科面对工程应用领域的一个重要的研究方向。
它的应用特点在于利用混沌运动的特性, 克服传统优化方法的缺陷, 从而使优化结果达到更优。
1.混沌的特征从现象上看,混沌运动貌似随机过程,而实际上混沌运动与随机过程有着本质的区别。
混沌运动是由确定性的物理规律这个内在特性引起的,是源于内在特性的外在表现,因此又称确定性混沌,而随机过程则是由外部特性的噪声引起的。
混沌有着如下的特性:(1)内在随机性混沌的定常状态不是通常概念下确定运动的三种状态:静止、周期运动和准周期运动,而是一种始终局限于有限区域且轨道永不重复的,形势复杂的运动。
第一,混沌是固有的,系统所表现出来的复杂性是系统自身的,内在因素决定的,并不是在外界干扰下产生的,是系统的内在随机性的表现。
经典算法研究系列:七、深⼊浅出遗传算法,透析GA本质-结构之法算法之道-CSDN博客深⼊浅出遗传算法,透析GA本质收藏经典算法研究系列:七、遗传算法初探透析GA本质---深⼊浅出、深⼊浅出、透析作者:July ⼆零⼀⼀年⼀⽉⼗⼆⽇。
本⽂参考:维基百科华南理⼯⼤学电⼦讲义互联⽹-------------------------------------------------------------------------------⼀、初探遗传算法Ok,先看维基百科对遗传算法所给的解释:遗传算法是计算数学中⽤于解决最优化的搜索算法,是进化算法的⼀种。
进化算法最初是借鉴了进化⽣物学中的⼀些现象⽽发展起来的,这些现象包括遗传、突变、⾃然选择以及杂交等。
遗传算法通常实现⽅式为⼀种计算机模拟。
对于⼀个最优化问题,⼀定数量的候选解(称为个体)的抽象表⽰(称为染⾊体)的种群向更好的解进化。
传统上,解⽤⼆进制表⽰(即0和1的串),但也可以⽤其他表⽰⽅法。
进化从完全随机个体的种群开始,之后⼀代⼀代发⽣。
在每⼀代中,整个种群的适应度被评价,从当前种群中随机地选择多个个体(基于它们的适应度),通过⾃然选择和突变产⽣新的⽣命种群,该种群在算法的下⼀次迭代中成为当前种群。
光看定义,可能思路并不清晰,咱们来⼏个清晰的图解、步骤、公式:基本遗传算法的框图:所以,遗传算法基本步骤是:1)初始化 t←0进化代数计数器;T是最⼤进化代数;随机⽣成M个个体作为初始群体 P(t);2)个体评价计算P(t)中各个个体的适应度值;3)选择运算将选择算⼦作⽤于群体;4)交叉运算将交叉算⼦作⽤于群体;5)变异运算将变异算⼦作⽤于群体,并通过以上运算得到下⼀代群体P(t + 1);6)终⽌条件判断 t≦T:t← t+1 转到步骤2;t>T:终⽌输出解。
好的,看下遗传算法的伪代码实现:▲Procedures GA:伪代码begininitialize P(0);t = 0; //t是进化的代数,⼀代、⼆代、三代...while(t <= T) dofor i = 1 to M do //M是初始种群的个体数Evaluate fitness of P(t); //计算P(t)中各个个体的适应度end forfor i = 1 to M doSelect operation to P(t); //将选择算⼦作⽤于群体end forfor i = 1 to M/2 doCrossover operation to P(t); //将交叉算⼦作⽤于群体end forfor i = 1 to M doMutation operation to P(t); //将变异算⼦作⽤于群体end forfor i = 1 to M doP(t+1) = P(t); //得到下⼀代群体P(t + 1)end fort = t + 1; //终⽌条件判断 t≦T:t← t+1 转到步骤2end whileend⼆、深⼊遗传算法1、智能优化算法概述智能优化算法⼜称现代启发式算法,是⼀种具有全局优化性能、通⽤性强且适合于并⾏处理的算法。
物流系统优化问题研究方法概述作者:任晔顾彬李玉凯来源:《物流科技》2009年第05期摘要:结合物流系统的特点,分析了物流系统中存在的优化问题,并针对一些关键技术问题对近年来国内外有关文献进行梳理和研究。
文章首先综述了物流系统中四类组合优化问题以及此类问题的传统确定性算法及智能优化算法,同时分析这些方法在处理不同的问题时各自的优缺点。
最后对物流系统优化问题的研究方法及研究方向做了分析和展望。
关键词:物流系统优化;智能优化算法;组合优化中图分类号:F253文献标识码:AAbstract: In this paper, combining the characteristics of the logistics system, the research methods of the existing logistics system optimization are discussed, and for some of the key technical problems the literatures in recent years at home and abroad are given. Firstly, four types of typical combination optimization problems and some effective corresponding solutions such as traditionally affirmative methods and intelligent optimization algorithms are discussed, meanwhile, the advantages and disadvantages of each methods are pointed out. Finally, the future research direction and methods of logistics systematic optimization are given.Key words: logistics systematic optimization; intelligent optimization algorithms; combination optimization0引言物流系统优化是实现物流管理目标、体现物流管理效率与效益的必要过程和手段。
第45卷第2期2021年4月南京理工大学学报JournalofNanjingUniversityofScienceandTechnologyVol.45No.2Apr.2021㊀收稿日期:2020-08-27㊀㊀修回日期:2021-01-08㊀基金项目:国家自然科学基金(61673004)ꎻ中央高校基本科研业务费专项基金(XK1802-4)㊀作者简介:张子豪(1996-)ꎬ男ꎬ硕士生ꎬ主要研究方向:智能优化算法与先进控制ꎬE ̄mail:351125274@qq.comꎻ通讯作者:靳其兵(1971-)ꎬ男ꎬ教授ꎬ博士生导师ꎬ主要研究方向:先进控制ꎬE ̄mail:jinqb@mail.buct.edu.cnꎮ㊀引文格式:张子豪ꎬ靳其兵.基于社会等级淘汰机制的GWO_PSO算法[J].南京理工大学学报ꎬ2021ꎬ45(2):164-170.㊀投稿网址:http://zrxuebao.njust.edu.cn基于社会等级淘汰机制的GWO_PSO算法张子豪ꎬ靳其兵(北京化工大学信息科学与技术学院ꎬ北京100029)摘㊀要:灰狼优化(GreywolfoptimizerꎬGWO)算法是一种近年提出的新的群智能优化算法ꎬ为了解决其寻优精度低以及收敛速度慢的缺点ꎬ该文提出一种灰狼-粒子群智能优化(Greywolfoptimizer_particleswarmoptimizationꎬGWO_PSO)算法ꎮ采用混沌算法中的Logistic混沌映射初始化种群ꎬ使狼群种群开始分布更加趋于随机ꎻ提出一种繁衍淘汰机制ꎬ等级不同的灰狼对于下一代灰狼产生不同的权重ꎬ并且对狼群中最差的一批灰狼予以淘汰ꎬ根据繁衍机制生成新的种群ꎻ采用粒子群优化算法的速度矢量ꎬ为狼群狩猎提供方向ꎮ根据仿真实验ꎬGWO_PSO算法的收敛速度和精度相较与粒子群优化(ParticleswarmoptimizationꎬPSO)和GWO都有了极大的提高ꎬ相较于其他的改进灰狼算法ꎬGWO_PSO表现出不错的寻优能力ꎮ关键词:社会等级ꎻ淘汰机制ꎻ灰狼优化算法ꎻ粒子群优化算法ꎻ混沌映射ꎻ群智能优化中图分类号:TP301.6㊀㊀文章编号:1005-9830(2021)02-0164-07DOI:10.14177/j.cnki.32-1397n.2021.45.02.005GWO_PSOalgorithmbasedonsocialrankeliminationmechanismZhangZihaoꎬJinQibin(CollegeofInformationScienceandTechnologyꎬBeijingUniversityofChemicalTechnologyꎬBeijing100029ꎬChina)Abstract:Greywolfoptimizer(GWO)isanewswarmintelligenceoptimizationalgorithmproposedinrecentyears.Inordertosolvethedefectsoflowoptimizationaccuracyandslowconvergencespeedꎬagreywolfoptimizer_particleswarmoptimization(GWO_PSO)algorithmisproposed.FirstlyꎬtheLogisticchaoticmapisusedtoinitializethepopulationꎬwhichmakesthedistributionofwolfpopula ̄tionmorerandom.Secondlyꎬabreedingeliminationmechanismisproposedꎬinwhichgreywolvesofdifferentgradeshavedifferentweightsforthenextgenerationofgreywolvesꎬandtheworstgroupofwolvesinthepopulationareeliminatedtogeneratenewpopulationsaccordingtothereproductionmechanism.Finallyꎬthevelocityvectorofparticleswarmoptimizationalgorithmisusedtoprovide总第237期张子豪㊀靳其兵㊀基于社会等级淘汰机制的GWO_PSO算法㊀㊀directionforwolves hunting.Accordingtothesimulationexperimentꎬcomparedwithpartideswarmoptimization(PSO)andGWOꎬtheconvergencespeedandaccuracyofGWO_PSOalgorithmaregreatlyimproved.ComparedwithotherimprovedgreywolfalgorithmꎬGWO_PSOshowsgoodoptimizationability.Keywords:socialranksꎻeliminationmechanismꎻgreywolfoptimizeralgorithmꎻparticleswarmoptimizationalgorithmꎻchaoticmapsꎻswarmintelligenceoptimization㊀㊀群智能优化算法是一种由自然界中ꎬ群体动物的活动启发而产生的全局优化算法ꎮ典型的智能优化算法包括粒子群优化(ParticleswarmoptimizationꎬPSO)[1]算法ꎬ差分进化(DifferentialevolutionꎬDE)[2]算法ꎬ鲸鱼优化算法(WhaleoptimizationalgorithmꎬWOA)[3]ꎬ人工蜂群(ArtificialbeecolonyꎬABC)[4]算法ꎬ布谷鸟(CuckoosearchꎬCS)[5]算法等ꎮ智能优化算法在机器学习算法[6-8]㊁系统辨识[9ꎬ10]以及PID控制方面[11]也有很多的应用ꎮMirjalili等[12]由灰狼猎食以及灰狼种群中的等级制度得到启发ꎬ于2014年提出灰狼优化(GreywolfoptimizerꎬGWO)算法ꎬ其结构简单ꎬ参数少ꎬ易于编程ꎬ寻优性能较好ꎬ但其自身仍然存在收敛精度不足的问题ꎮ近年来ꎬ对此有很多学者提出了对灰狼算法的改进方法ꎬ文献[13]通过加入混沌策略和对收敛因子加入自适应策略ꎬ使算法精度和稳定性都有了一定的提高ꎻ文献[14]通过改进收敛因子的方法ꎬ使其不易陷入局部最优ꎻ文献[15]引入PSO的最优解记忆思想ꎬ采用佳点集策略和改进收敛因子的策略ꎬ提升了算法的性能ꎻ文献[16]引入差分进化算法的和灰狼算法混合的策略和优胜劣汰法则ꎬ改进了灰狼算法的寻优能力ꎮ1㊀GWO算法原理灰狼算法是受到灰狼狩猎觅食这一自然现象启发ꎬ而提出的群智能优化算法ꎬ灰狼优化算法在设计中考虑了狼群中的社会等级ꎬ模仿狼群寻找㊁包围㊁攻击猎物的狩猎模式ꎮ(1)社会等级(Socialhierarchy)ꎮ该算法设计了3种统治阶级的狼和普通的狼ꎬ统治阶级的狼分为α狼㊁β狼㊁δ狼ꎬ组成狼群的普通狼为ω狼ꎬ其分别对应的是最优解㊁次优解㊁第三优解和候选解[17]ꎮ(2)围猎(Encirclingprey)ꎮ灰狼在搜索猎物的过程中ꎬ会逐渐地接近猎物并包围它ꎬ该行为的数学模型如下㊀D=|C Xp(t)-X(t)|ꎬX(t+1)=Xp(t)-A D(1)式中:t指当前时刻ꎬA和C是协同系数ꎬXp是头狼的位置ꎬX是指灰狼ω狼群的位置ꎮ协同系数A㊁C分别为㊀A=2a r1-aꎬC=2 r2ꎬa=2-2∗(t/tmax)(2)式中:a由2线性衰减到0ꎬr1和r2是[0ꎬ1]之间的随机数ꎮ(3)狩猎(Hunting)ꎮ在每次迭代过程中ꎬ保留当前种群中的最优的3只灰狼ꎬ即适应度值最优的3个解ꎬα狼㊁β狼㊁δ狼ꎬ头狼根据他们自身所在位置ꎬ判断狼群与自己的距离ꎬ并通过商议ꎬ得出狼群所需移动的距离ꎮ该行为的数学模型可表示为㊀Dα=C1 Xα-XꎬDβ=C2 Xβ-Xꎬ㊀㊀Dδ=C3 Xδ-X(3)㊀X1=Xα-A1 (Dα)ꎬX2=Xβ-A2 (Dβ)ꎬ㊀㊀X3=Xδ-A3 (Dδ)(4)㊀X(t+1)=(X1+X2+X3)/3(5)式中:Dα㊁Dβ㊁Dδ分别表示3种头狼与猎物之间的距离ꎬX1㊁X2㊁X3分别表示α狼㊁β狼㊁δ狼的位置ꎬ式(5)表示ω狼根据α狼㊁β狼㊁δ狼的位置更新整个狼群的位置ꎮ2㊀PSO算法原理PSO算法是Kennedy和Eberhart提出的一种群智能优化算法ꎮ粒子群优化算法的基本思想是利用种群中不同粒子之间的信息共享ꎬ使群体由随机分布到有序分布ꎬ其速度向量的思想ꎬ对于群智能优化算法来讲是有开创意义的ꎮ粒子群优化算法将每一个粒子随机分布在解域空间内ꎬ设粒子的位置为Xꎬ根据适应度值设置局部最优Xpbest和全局最优XgbestꎬXpbest表示当561南京理工大学学报第45卷第2期前代适应度值最优的粒子ꎬXgbest表示历史代到目前最优的粒子ꎮ根据局部最优和全局最优可以得到一个速度矢量Vꎬ其公式为㊀V(t+1)=ωV(t)+c1r1(Xpbest(t)-X(t))+㊀㊀c2r2(Xgbest(t)-X(t))(6)式中:c1=2ꎬc2=2ꎬω表示惯性因子ꎬ通常由大到小线性收敛ꎬ值大时主要进行全局搜索ꎬ值小时进行局部搜索ꎮ其更新公式为㊀ω(t)=ωmax-(ωmax-ωmin)∗t/tmax(7)式中:tmax表示迭代的最大代数ꎬ通常ωmax=0.9ꎬωmin=0.4ꎮ根据得到的速度向量V更新粒子群中的每一个粒子ꎬ其表达式为㊀X(t+1)=X(t)+V(t+1)(8)3㊀灰狼_粒子群智能优化算法针对灰狼算法中仍然存在寻优精度低ꎬ收敛速度慢的问题ꎬ本文提出了一种灰狼_粒子群智能优化(Greywolfoptimizer_particleswarmoptimiza ̄tionꎬGWO_PSO)算法ꎮ3.1㊀GWO_PSO算法改进思路(1)混沌映射ꎮ混沌映射具有随机性㊁周期性的特点ꎮ在许多智能优化算法中ꎬ混沌映射都起到了很好的效果ꎬ如文献[18]采用了Iterative映射的方法初始化狼群ꎮLogistic映射通过迭代的方式产生ꎬ是一种具有确定性㊁类似随机性㊁非周期的㊁收敛性的伪随机序列ꎬ其分布均匀ꎮ为使灰狼狼群更随机地分布ꎬ引入Logistic映射对灰狼狼群进行初始化ꎮLogistic映射的公式为㊀uk+1=auk(1-uk)(9)从图1中可以看出ꎬ当a=4时ꎬLogistic在[0ꎬ1]分布最广ꎬ其中uk∉{0ꎬ0.25ꎬ0.5ꎬ0.75ꎬ1}ꎮ如图2所示ꎬLogistic映射的分布更加随机ꎬ因此选用Logistic映射用于初始化灰狼种群ꎮ(2)等级制度ꎮ灰狼算法中提出的等级制度没有体现出3只头狼的优先级的差别ꎬ容易偏离目标值ꎬ导致精度不足ꎮ为了凸显灰狼算法的等级制度ꎬ提出灰狼算法的等级制度思想ꎬ其基本思想就是在更新灰狼位置时ꎬ加上一个等级权重ꎬ分别为η1㊁η2㊁η3ꎬ三者的关系为㊀η1ʒη2ʒη3=4ʒ3ʒ2(10)通常取η1=2㊁η2=1.5㊁η3=1ꎮ图1㊀参数a对应的Logistic映射图2㊀两种混沌映射的分布(3)速度向量ꎮ灰狼算法中的位置更新只体现了灰狼和猎物之间的距离ꎬ并没有体现出灰狼寻优的方向ꎬ其对于解的判定只有位置信息而没有方向矢量信息ꎬ其优化能力还有一定地提升空间ꎮ受粒子群优化算法中速度向量V的启发ꎬ根据式(3)㊁(4)㊁(5)计算得到头狼及狼群的位置ꎬ引入速度向量Vꎬ其更新公式为㊀V(t+1)=ω∗V(t)+ð3i=1(ηi∗k∗(Xi-X(t)))(11)式中:ω为惯性因子ꎬηi为等级权重ꎬk为协同系数ꎮ通常ωmax=0.6ꎬωmin=0ꎬω的选择对于寻优效果有着重要影响ꎬ其更新公式为式(7)ꎮ协同系数k的公式为㊀k=0.1∗rand(12)灰狼狼群的位置更新公式为式(8)ꎮ通过引入速度向量ꎬ增加了寻优方向矢量信661总第237期张子豪㊀靳其兵㊀基于社会等级淘汰机制的GWO_PSO算法㊀㊀息ꎬ提高了收敛速度和收敛精度ꎮ(4)淘汰机制ꎮ一个灰狼种群中ꎬ存在一些老弱病残的灰狼ꎬ随着自然选择ꎬ会被新生的狼群代替ꎬ同时统治阶级的狼有更多的繁衍机会ꎮ在每一代ω狼中ꎬ选取适应度值在排在后三分之一的灰狼予以淘汰ꎬ同时由新一代的灰狼替代被淘汰的老弱病残ꎬ其更新公式为㊀Xnew=0.5∗Xold+1ð3i=1ηi∗ð3i=1(ηi∗Xi)(13)式中:η1㊁η2㊁η3为等级权重ꎮ淘汰机制的主要流程为:(1)根据适应度值排序ω狼ꎬ并对适应度值排后三分之一的灰狼Xold予以淘汰ꎮ(2)根据式(13)得到Xnewꎬ替换Xoldꎬ与之前的灰狼形成新的种群ꎮ淘汰机制强化了等级制度在灰狼算法中的作用ꎬ使算法的精度和收敛速度有所提高ꎮ3.2㊀GWO_PSO算法流程通过以上改进ꎬ提高了灰狼算法的精度和收敛速度ꎬ经过总结ꎬ可以将其归纳成如下步骤:步骤1㊀初始化ꎮ采用Logistic混沌映射ꎬ初始化灰狼种群Xꎬ并初始化参数ꎻ步骤2㊀计算适应度值ꎮ计算灰狼狼群X的适应度值ꎬ根据适应度值设α狼㊁β狼㊁δ狼ꎬ其包含的猎物信息分别是Xα㊁Xβ㊁Xδꎬ通过式(3)和式(4)得到X1㊁X2㊁X3ꎻ步骤3㊀根据式(5)获取ω狼群的猎物信息ꎻ步骤4㊀根据式(11)计算速度向量Vꎬ并将其代入式(8)更新种群位置ꎻ㊀㊀步骤5㊀淘汰机制ꎮ根据步骤2所计算的适应度值ꎬ进行排序ꎬ淘汰后三分之一的灰狼Xoldꎬ并根据式(13)得到Xnewꎻ步骤6㊀计算灰狼适应度值ꎬ和上一代迭代的值比较ꎬ根据适应度值选择新的α狼㊁β狼㊁δ狼ꎬ得到X1㊁X2㊁X3ꎻ步骤7㊀判断Xα的适应度值是否达到结束条件ꎬ若满足条件ꎬ则最优值为Xαꎻ若不满足条件ꎬ则重复步骤4-7ꎮGWO_PSO优化算法流程如图3所示ꎮ图3㊀GWO_PSO算法流程图4㊀函数优化实验及结果分析为测试GWO_PSO算法的有效性ꎬ本文采用12个经典的测试函数ꎬ其表达式如表1所示ꎮ表1㊀12个测试函数表函数n范围最优解F1(x)=ðni=1x2i100[-ɕꎬ+ɕ]0F2(x)=ðni=1|xi|+ᵑni=1|xi|100[-100ꎬ+100]0F3(x)=ðni=1ix4i+rand[0ꎬ1)100[-1.28ꎬ+1.28]0F4(x)=ðni=1sin2(xi)[]eðni=1sin2(|xi|){}100[-20ꎬ+20]0F5(x)=ðni=1ðni=1xj()2100[-100ꎬ+100]0761南京理工大学学报第45卷第2期续表1函数n范围最优解F6(x)=maxi(|xi|)100[-100ꎬ+100]0F7(x)=-20e-0.21nx2i-e-0.21nðni=1cos(2πxi)+20+e100[-32ꎬ+32]0F8(x)=ðni=1[x2i-10cos(2πxi)+10]100[-5.12ꎬ+5.12]0F9(xꎬy)=0.26∗(x2+y2)-0.48xy2-10<xꎬy<100F10(x)=14000ðni=1x2i-ᵑni=1cosxiiæèçöø÷+1100[-50ꎬ+50]0F11(x)=ðni=1ðnj=1jx2j100[-100ꎬ+100]0F12(x)=0.1sin2(3πxi)+ðni=1(xi-1)2[1+sin2(3πxi+1)]+㊀㊀{㊀㊀(xn-1)2[1+sin2(2πxn)]}+ðni=1u(xiꎬ5ꎬ100ꎬ4)u(xꎬaꎬkꎬm)=k(xi-a)ma<xi0-a<xi<ak(-xi-a)mxi<-aìîíïïï100[-50ꎬ+50]0㊀㊀为了体现本文所提算法对灰狼优化算法的改进效果ꎬ本节将对GWO_PSO算法与其他改进灰狼算法进行比较ꎬ分别选取F1~F12函数比较ꎬ测试函数F9为2维ꎬ其余函数为30维ꎮ将GWO_PSO与LGWO[19]㊁HGWO[20]㊁PGWO[21]㊁CGWO[22]比较ꎬ运算500次得到的平均值及标准差ꎬ其结果如表2所示ꎮ部分函数适应度收敛曲线如图4-6所示ꎮ表2㊀GWO_PSO与4种灰狼算法的寻优效果比较函数IndexGWO_PSOLGWOHGWOPGWOCGWOF1MeanStd001.18E-196.45E-191.12E-322.32E-324.63E-593.16E-591.51E-273.59E-27F2MeanStd9.62E-18901.75E-139.58E-139.33E-206.92E-201.44E-395.18E-391.16E-211.98E-22F3MeanStd6.60E-056.45E-057.77E-046.72E-043.18E-086.55E-082.22E-088.49E-051.32E-062.05E-05F4MeanStd1.55E-422.65E-439.96E-139.63E-126.29E-135.85E-131.29E-114.78E-135.57E-133.76E-12F5MeanStd004.59E-212.52E-203.18E-086.55E-081.22E-634.86E-633.17E-421.04E-41F6MeanStd9.51E-18801.97E-169.27E-164.17E-084.56E-084.31E-314.51E-301.02E-221.93E-23F7MeanStd-8.88E-16020.89780.0765573624.27E-144.37E-151.18E-172.12E-17-1403.21E-11F8MeanStd002.6985339173.8780127562.27E-019.20E-014.16E-221.53E-2200F9MeanStd001.97E-221.88E-222.72E-995.90E-981.40E-19101.49E-973.30E-96F10MeanStd000.0037543940.0084533591.37E-039.20E-019.31E-143.22E-1400F11MeanStd008.05E-141.37E-141.86E-253.20E-251.63E-571.20E-561.20E-252.79E-25F12MeanStd1.25E-018.76E-020.6933237220.226958843.44E-011.48E-012.6584235120.0885389314.97E-121.09E-11861总第237期张子豪㊀靳其兵㊀基于社会等级淘汰机制的GWO_PSO算法㊀㊀图4㊀F1函数收敛曲线图5㊀F2函数收敛曲线图6㊀F6函数收敛曲线5㊀结论本文提出了一种基于淘汰机制的GWO_PSO算法ꎬ引入了Logistic混沌映射策略初始化种群ꎬ使初始种群分布更加均匀ꎻ提出等级制度ꎬ突出了GWO算法中狼群的等级机制ꎻ引入速度向量思想ꎬ提高收敛精度及速度ꎻ提出了狼群中的淘汰机制ꎬ剔除了狼群中的 害群之马 ꎮ同时根据狼群社会中的等级制度ꎬ让狼群中等级更高的狼拥有繁衍权ꎬ提高了算法的精确度ꎬ提高了算法的收敛速度ꎮ在系统辨识问题中ꎬ该算法取得了很好的应用效果ꎮ参考文献:[1]㊀KennedyJꎬEberhartR.Particleswarmoptimization[C]//ProceedingsofICNN 95 ̄InternationalConfere ̄nceonNeuralNetworks.PerthꎬAustralia:IEEEꎬ1995:1942-1948.[2]张文丽ꎬ郭俊文ꎬ曲俊海ꎬ等.基于自适应差分进化算法的武器稳定系统参数辨识[J].火力与指挥控制ꎬ2020ꎬ45(5):119-124.ZhangWenliꎬGuoJunwenꎬQuJunhaiꎬetal.Parameteridentificationofweaponstabilitysystembasedonadap ̄tivedifferentialevolutionalgorithm[J].FireControl&CommandControlꎬ2020ꎬ45(5):119-124.[3]MirjaliliSꎬLewisA.Thewhaleoptimizationalgorithm[J].AdvancesinEngineeringSoftwareꎬ2016ꎬ95:51-67.[4]KarabogaDꎬBasturkB.Apowerfulandefficientalgorithmfornumericalfunctionoptimization:Artificialbeecolony(ABC)algorithm[J].JournalofGlobalOptimizationꎬ2007ꎬ39(3):459-471.[5]YangXinsheꎬDebS.Cuckoosearchvialévyflights[C]//2009WorldCongressonNature&BiologicallyInspiredComputing(NaBIC).CoimbatoreꎬIndia:IEEEꎬ2009:210-214.[6]张文宇ꎬ张茜ꎬ杨媛ꎬ等.基于改进GWO ̄CV优化的K-调和均值聚类算法[J].统计与决策ꎬ2020ꎬ36(16):9-13.ZhangWenyuꎬZhangXiꎬYangYuanꎬetal.K ̄harmonicmeanclusteringalgorithmbasedonimprovedGWO ̄CVoptimization[J].Statistics&Decisionꎬ2020ꎬ36(16):9-13.[7]潘成胜ꎬ张斌ꎬ吕亚娜ꎬ等.改进灰狼优化算法的K ̄means文本聚类[J].计算机工程与应用ꎬ2021ꎬ57(1):188-193.PanChengshengꎬZhangBinꎬLyuYanaꎬetal.K ̄meanstextclusteringbasedonimprovedgraywolfoptimizationalgorithm[J].ComputerEngineeringandApplicationsꎬ2021ꎬ57(1):188-193.[8]沈葛亮ꎬ顾斌杰ꎬ潘丰.基于灰狼优化算法的孪生支持向量回归机[J].南京理工大学学报ꎬ2020ꎬ44(2):202-208.ShenGeliangꎬGuBinjieꎬPanFeng.Twinsupportvectorregressionbasedongreywolfoptimizationalgo ̄rithm[J].JournalofNanjingUniversityofScienceandTechnologyꎬ2020ꎬ44(2):202-208.[9]王晨.基于智能计算的重尾噪声干扰下Hammers ̄tein模型参数辨识研究[D].北京:北京化工大学ꎬ2019.[10]王芷馨ꎬ王冬青ꎬ韩增亮ꎬ等.基于粒子群优化算法的非线性系统辨识[J].自动化与仪器仪表ꎬ2020(5):8-12.WangZhixinꎬWangDongqingꎬHanZengliangꎬetal.961南京理工大学学报第45卷第2期Nonlinearsystemidentificationbasedonparticleswarmoptimization[J].Automation&Instrumentationꎬ2020(5):8-12.[11]李书霞.改进群智能算法及其在PID控制器参数整定中的应用[D].鞍山:辽宁科技大学ꎬ2016. [12]MirjaliliSꎬMirjaliliSMꎬLewisA.Greywolfoptimizer[J].AdvancesinEngineeringSoftwareꎬ2014ꎬ69:46-61.[13]张悦ꎬ孙惠香ꎬ魏政磊ꎬ等.具有自适应调整策略的混沌灰狼优化算法[J].计算机科学ꎬ2017ꎬ44(S2):119-122ꎬ159.ZhangYueꎬSunHuixiangꎬWeiZhengleiꎬetal.Chaoticgraywolfoptimizationalgorithmwithadaptiveadjustmentstrategy[J].ComputerScienceꎬ2017ꎬ44(S2):119-122ꎬ159.[14]伍铁斌ꎬ桂卫华ꎬ阳春华ꎬ等.用对数函数描述收敛因子的改进灰狼优化算法及其应用[J].中南大学学报(自然科学版)ꎬ2018ꎬ49(4):857-864.WuTiebinꎬGuiWeihuaꎬYangChunhuaꎬetal.Improvedgreywolfoptimizationalgorithmwithlogarithmfunctiondescribingconvergencefactoranditsapplication[J].JournalofCentralSouthUniversity(ScienceandTechnology)ꎬ2018ꎬ49(4):857-864. [15]龙文ꎬ伍铁斌.协调探索和开发能力的改进灰狼优化算法[J].控制与决策ꎬ2017ꎬ32(10):1749-1757.LongWenꎬWuTiebin.Improvedgreywolfoptimizationalgorithmcoordinatingtheabilityofexplorationandexploitation[J].ControlandDecisionꎬ2017ꎬ32(10):1749-1757.[16]朱海波ꎬ张勇.基于差分进化与优胜劣汰策略的灰狼优化算法[J].南京理工大学学报ꎬ2018ꎬ42(6):678-686.ZhuHaiboꎬZhangYong.Graywolfoptimizationalgorithmbasedondifferentialevolutionandsurvivaloffitnessstrategy[J].JournalofNanjingUniversityofScienceandTechnologyꎬ2018ꎬ42(6):678-686. [17]吕新桥ꎬ廖天龙.基于灰狼优化算法的置换流水线车间调度[J].武汉理工大学学报ꎬ2015ꎬ37(5):111-116.LyuXinqiaoꎬLiaoTianlong.Permutationflow ̄shopschedulingbasedonthegreywolfoptimizer[J].JournalofWuhanUniversityofTechnologyꎬ2015ꎬ37(5):111-116.[18]王梦娜ꎬ王秋萍ꎬ王晓峰.基于Iterative映射和单纯形法的改进灰狼优化算法[J].计算机应用ꎬ2018ꎬ38(S2):16-20ꎬ54.WangMengnaꎬWangQiupingꎬWangXiaofeng.Improvedgreywolfoptimizationalgorithmbasedoniterativemappingandsimplexmethod[J].JournalofComputerApplicationsꎬ2018ꎬ38(S2):16-20ꎬ54. [19]凌颖ꎬ杨春燕ꎬ黎新ꎬ等.改进灰狼优化算法的研究[J].科学技术创新ꎬ2020(16):61-63.LingYingꎬYangChunyanꎬLiXinꎬetal.Researchonimprovedgraywolfoptimizationalgorithm[J].ScientificandTechnologicalInnovationꎬ2020(16):61-63.[20]ZhuAijunꎬXuChuanpeiꎬLiZhiꎬetal.Hybridizinggreywolfoptimizationwithdifferentialevolutionforglobaloptimizationandtestschedulingfor3DstackedSoC[J].JournalofSystemsEngineeringandElectron ̄icsꎬ2015ꎬ26(2):317-328.[21]滕志军ꎬ吕金玲ꎬ郭力文ꎬ等.一种基于Tent映射的混合灰狼优化的改进算法[J].哈尔滨工业大学学报ꎬ2018ꎬ50(11):40-49.TengZhijunꎬLüJinlingꎬGuoLiwenꎬetal.AnimprovedhybridgreywolfoptimizationalgorithmbasedonTentmapping[J].JournalofHarbinInstituteofTechnologyꎬ2018ꎬ50(11):40-49.[22]张铸ꎬ饶盛华ꎬ张仕杰.基于自适应正态云模型的灰狼优化算法[J/OL].控制与决策:1-6.https://doi.org/10.13195/j.kzyjc.2020.0233ꎬ2020-07-03.ZhangZhuꎬRaoShenghuaꎬZhangShijie.GreyWolfOptimizationAlgorithmBasedonAdaptiveNormalCloudModel[J/OL].ControlandDecision:1-6.https://doi.org/10.13195/j.kzyjc.2020.0233ꎬ2020-07-03.071。
《智能优化算法及其应用》一、课程基本情况二、课程内容简介三、课程教学大纲绪论1.1算法内部改进策略4. 2算法外部改进策略5并行模拟退火算法6模拟退火算法的应用6. 1基于SA的控制器整定6. 2基于SA的数字微分器设计6. 3基于SA的复杂优化及状态生产函数研究6. 4基于SA的TSP研究及软件演示第2章遗传算法1遗传算法简介2遗传算法理论2. 1模示定理2. 2隐含并行性2.3遗传算法的马氏链描述2. 4遗传算法的收敛性3遗传算法的设计2. 3. 12. 3. 22. 3. 32. 3.42. 3. 52. 3. 6算法终止准则3. 7算法参数选取2.4遗传算法的改进2.5并行遗传算法2.6遗传算法的应用2. 6. 1基于GA的系统辨识2. 6. 2基于GA的TSP研究与软件演示2. 6. 3基于GA的生产调度第3章禁忌搜索算法3.1引言3. 1. 1禁忌搜索示例3. 1.2禁忌搜索机制3.2禁忌搜索算法流程3.3禁忌搜索的收敛性3.4禁忌搜索的设计3. 4. 1初始化3.4.2状态产生函数3. 4. 3候选解选择4. 5禁忌表3. 4. 6藐视准则3.4.7集中搜索和分散搜索3.4.8终止准则3. 6基于混合优化策略的神经网络结构学习研究6. 3. 7基于混合策略的光学仪器设计研究第7章总结1仿真优化及其关键问题7.2计算智能的发展性研究问题四、课程实践环节五、课程知识单元与知识点I0AA1:绪论•智能优化•启发式算法•邻域搜索•函数优化、组合优化■复杂性I0AA2:模拟退火算法•模拟退火•重要性采样、概率突跳•状态产生函数。