-
让品牌有温度、有情感
专注品牌策划15年
智能优化算法可以用到哪里（智能优化算法优缺点）
发布时间：2023-04-18 18:05:12
稿源：
创意岭 阅读：
67
大家好！今天让创意岭的小编来大家介绍下关于智能优化算法可以用到哪里的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。
开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等
只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端
创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008
本文目录:
一、智能优化算法：水循环算法
@[toc]
摘要：水 循 环 算 法 （water cycle alogrithm,WCA）是由Hadi Eskandar 等人受大自然水循环过程中溪流、江河、湖泊流向海洋的过程启发而提出的一种全局优化算法．目前WCA已在工程优化等领域得到应用．
WCA 是一种生物启发的优化算法，它模拟自然界中的水循环过程，在种群中设定 3 类个体：海洋 Sea、河流River 及溪流 Stream. 海洋为当前种群的最优个体，河流为一定数量的仅次于海洋的个体，剩余较差的个体即为溪流.
算法开始之前需要生成大小为 的初始总群体，其中 是种群的总数量， 是设计变量的个数，因此这个随机矩阵为 :
其中， 是海洋 (数量为 1) 及河流 的数量之
和，这是在初始化的时候自行定义的，其余流入海洋和河流的溪流 的数量为 ，其表达式为:
紧接着，根据式(3)计算当前种群中流向海洋的溪流数量及流向对应河流的溪流数量：
完成上述过程后，即可进行汇流过程，汇流过程如图 1所示. 汇流过程中，溪流、河流和海洋的位置根据式(4)随机更新：
其中， 是迭代数； ， 的最优值可以选为 2； 是 0 和 1 之间均匀分布的随机数； 及 分别表示第 次及第 次迭代时溪流的位置； 及 分别表示第 次及第 次迭代时河流的位置； 及 分别表示第 次及第 次迭代时海洋的位置. 式(4)中分别为流向河流的溪流、流向海洋的溪流及流向海洋的河流的位置更新公式. 溪流在每次更新过后，计算出相应的适应度值，若该值优于与其相连的河流的适应度值，则将该溪流的位置与该河流的位置进行交换. 河流与海洋、溪流与海洋之间也有类似的交换. 在没有满足设定要求之前，海洋、河流和溪流的位置将根据相应的公式不断地更新.
所有的寻优算法都要考虑收敛过快而陷入局部最优的问题，水循环算法引入蒸发过程来避免该问题的发生. 在水循环过程中，那些流速过慢还有无法达到大海的溪流和河流最终都会蒸发，蒸发过程的出现会引来新的降水. 因此，必须检查河流及溪流是否足够靠近海洋，若距离较远则进行蒸发过程，蒸发过程的判断条件为
其中， 是接近零的小数. 蒸发过程结束后，应用降雨过程并在不同的位置形成新的溪流或河流（类似遗传算法的突变过程）. 较大的可 以防止额外搜索，但是会降低在海洋附近区域的搜索强度. 因此， 的值应该自适应地降低：
其中， 为最大迭代数.
循环过程中的蒸发作用对河流和海洋的影响很小，所以在进行降雨过程之后影响的是溪流的位置. 降雨过程后溪流的新位置为 :
其中，L B (lower bound)和 U B (upper bound)分别表示设计变量的下界和上界.
算法步骤：
(1) 初始化算法参数．
(2) 随机生成初始种群，形成初始溪流（雨滴）、河流和海洋．
(3)计算每个雨滴的适应度函数值.
(4) 利用式（3）确定雨滴流向河流和海洋的强度；利用式（4）更新溪流位置；更新河流位置.
(5) 若溪流给出的适应度值比其相连的河流好，则河流和溪流的位置对换；若河流给出的适应度值比其相连的海洋好，则海洋和河流的位置对换。
(6) 判断 是 否满 足 蒸 发 条件．若 满 足 蒸 发 条件，利用式(7)进入降水过程，形成新的降水。
(7) 利用式（6）减小 值；判断算法是否满足终止条件，若满足，则转到 (8)；否则，重复执行(3) - (6)
(8) 输出最优解。
[1] Eskandar H, Sadollah A, Bahreininejad A, et al. Water cycle algorithm － A novel metaheuristic optimization method for solving constrained engineering optimization problems[J]. Computers & Structures, 2012, 110: 151-166.
[2] 金爱娟,苏俊豪,李少龙.基于水循环算法的开关磁阻电机性能优化[J/OL].信息与控制:1-12[2020-09-12]. https://doi.org/10.13976/j.cnki.xk.2020.2048 .
https://mianbaoduo.com/o/bread/aJmTkps=
二、智能优化算法：鸟群算法
@[toc]
摘要：鸟群算法（Bird Swarm Algorithm,BSA）是由 Xian-Bing Meng 等人根据自然界鸟群觅食、警觉和迁移等生物行为于 2015 年提出的一种新型生物启发式算法。该算法具有分散搜索，保持种群多样性，避免陷入局部最优的特点。
鸟群算法模仿的生物行为可简化为如下规则：
(1) 每一只鸟自由选择觅食或保持警觉行为。
(2) 若选择觅食，每一只鸟即时记录并更新其所经过的最佳觅食位置，同时将此信息分享至整个种群，并记录种群最佳觅食位置。
(3) 若保持警觉，每只鸟均试图飞往种群的中心，此行为受种群间的竞争影响，食物储备多的鸟比储备少的有更大的概率飞往中心。
(4) 鸟群会周期性地飞往另一区域。鸟群之间会分享所寻觅的食物信息，这一习性使得种群更有利地生存下去。种群中食物储备最多的称为食物生产者，储备最少的称为乞食者，其它鸟随机作为 2 者之一。当鸟群从一个区域飞往另一区域，各只鸟的身份将发生改变。
(5) 生产者积极寻找食物，乞食者随机跟随一位生产者寻找食物。
规则 (1) 可制定为一个随机决策，当等概率产生的 (0, 1) 之间随机数大于常数 P 时，鸟觅食，否则保持警觉。每一只鸟根据自己和种群的觅食经验寻找食物，规则 (2) 可由下式表示。
式中： 为鸟当前所在位置； 为第 只鸟所经过的最佳位置；为种群最佳位置； 为两个正常数，分别称为认知系数及社会进化系数。
对于规则 (3) ，鸟试图飞往种群的中心位置，这不可避免地会与其它鸟产生竞争，因此，每一只鸟不会直接飞到种群中心。这种行为可由下式表示。
式中： 是 [1, N ] 之间的随机整数，且 ； 为种群规模； 是 [0,2] 之间的常数； 为第 只鸟的适应度值； 为整个种群的适应度之和； 用来避免零分割，是计算机里最小的常数； 为种群的平均适应度值。
为逃避追捕或寻找食物，鸟群会定期飞往其他区域，设迁移周期为 FQ ，当到达另一区域后，它们会重新觅食。一些作为生产者的鸟开始寻找食物，其他鸟跟随生产者寻觅食物。生产者和乞食者可由规则 (4) 从种群中筛选，生产者和乞食者的行为可由下式描述：
式中： 代表产生服从期望值为 0 ，标准差为 1 的高斯分布的一个随机数； ，且 ； 为乞食者随同生产者觅食的概率。
算法流程图如下：
[1] MENG X B, GAO X Z, LU L H. A new bio-inspiredoptimization algorithm: bird swarm algorithm[J]. Journal ofExperimental and Theoretical Artificial Intelligent, 2015.
[2]曾嶒,彭春华,王奎,张艳伟,张明瀚.基于鸟群算法的微电网多目标运行优化[J].电力系统保护与控制,2016,44(13):117-122.
https://mianbaoduo.com/o/bread/aJialZY=
三、智能优化算法及其应用的目录
第1章绪论1
1.1最优化问题及其分类1
1.1.1函数优化问题1
1.1.2组合优化问题10
1.2优化算法及其分类12
1.3邻域函数与局部搜索13
1.4计算复杂性与NP完全问题14
1.4.1计算复杂性的基本概念14
1.4.2P，NP，NP?C和NP?hard14
第2章模拟退火算法17
2.1模拟退火算法17
2.1.1物理退火过程和Metropolis准则17
2.1.2组合优化与物理退火的相似性18
2.1.3模拟退火算法的基本思想和步骤19
2.2模拟退火算法的马氏链描述20
2.3模拟退火算法的收敛性21
2.3.1时齐算法的收敛性21
2.3.2非时齐算法的收敛性26
2.3.3SA算法渐进性能的逼近26
2.4模拟退火算法关键参数和操作的设计27
2.5模拟退火算法的改进29
2.6并行模拟退火算法31
2.7算法实现与应用32
2.7.1组合优化问题的求解32
2.7.2函数优化问题的求解33
第3章遗传算法36
3.1遗传算法的基本流程36
3.2模式定理和隐含并行性38
3.3遗传算法的马氏链描述及其收敛性40
3.3.1预备知识40
3.3.2标准遗传算法的马氏链描述41
3.3.3标准遗传算法的收敛性42
3.4一般可测状态空间上遗传算法的收敛性44
3.4.1问题描述45
3.4.2算法及其马氏链描述45
3.4.3收敛性分析和收敛速度估计45
3.5算法关键参数与操作的设计47
3.6遗传算法的改进50
3.7免疫遗传算法51
3.7.1引言51
3.7.2免疫遗传算法及其收敛性52
3.7.3免疫算子的机理与构造54
3.7.4TSP问题的免疫遗传算法56
3.8并行遗传算法58
3.9算法实现与应用59
第4章禁忌搜索算法62
4?1禁忌搜索62
4?1?1引言62
4?1?2禁忌搜索示例63
4?1?3禁忌搜索算法流程67
4?2禁忌搜索的收敛性68
4?3禁忌搜索的关键参数和操作70
4?4并行禁忌搜索算法75
4?5禁忌搜索的实现与应用77
4?5?1基于禁忌搜索的组合优化77
4?5?2基于禁忌搜索的函数优化78
第5章神经网络与神经网络优化算法83
5.1神经网络简介83
5.1.1神经网络发展回顾83
5.1.2神经网络的模型84
5.2基于Hopfield反馈网络的优化策略89
5.2.1基于Hopfield模型优化的一般流程89
5.2.2基于Hopfield模型优化的缺陷90
5.2.3基于Hopfield模型优化的改进研究90
5.3动态反馈神经网络的稳定性研究94
5.3.1动态反馈网络的稳定性分析94
5.3.1.1离散对称动态反馈网络的渐近稳定性分析95
5.3.1.2非对称动态反馈网络的全局渐近稳定性分析99
5.3.1.3时延动态反馈网络的全局渐近稳定性分析101
5.3.2动态反馈神经网络的收敛域估计103
5.4基于混沌动态的优化研究概述105
5.4.1基于混沌神经网络的组合优化概述106
5.4.2基于混沌序列的函数优化研究概述108
5.4.3混沌优化的发展性研究109
5.5一类基于混沌神经网络的优化策略110
5.5.1ACNN模型的描述110
5.5.2ACNN模型的优化机制111
5.5.3计算机仿真研究与分析112
5.5.4模型参数对算法性能影响的几点结论116
第6章广义邻域搜索算法及其统一结构118
6.1广义邻域搜索算法118
6.2广义邻域搜索算法的要素119
6.3广义邻域搜索算法的统一结构120
6?4优化算法的性能评价指标123
6?5广义邻域搜索算法研究进展125
6.5.1理论研究概述125
6.5.2应用研究概述128
6.5.3发展性研究129
第7章混合优化策略130
7.1引言130
7.2基于统一结构设计混合优化策略的关键问题131
7.3一类GASA混合优化策略132
7.3.1GASA混合优化策略的构造出发点132
7.3.2GASA混合优化策略的流程和特点133
7.3.3GASA混合优化策略的马氏链描述135
7.3.4GASA混合优化策略的收敛性136
7.3.5GASA混合优化策略的效率定性分析141
第8章混合优化策略的应用143
8.1基于模拟退火?单纯形算法的函数优化143
8.1.1单纯形算法简介143
8.1.2SMSA混合优化策略144
8.1.3算法操作与参数设计145
8.1.4数值仿真与分析146
8.2基于混合策略的控制器参数整定和模型参数估计研究149
8.2.1引言149
8.2.2模型参数估计和PID参数整定149
8.2.3混合策略的操作与参数设计150
8.2.4数值仿真与分析151
8.3基于混合策略的TSP优化研究154
8.3.1TSP的混合优化策略设计154
8.3.2基于典型算例的仿真研究156
8.3.3对TSP的进一步讨论158
8.4基于混合策略的加工调度研究159
8.4.1基于混合策略的Job?shop优化研究159
8.4.1.1引言159
8.4.1.2JSP的析取图描述和编码161
8.4.1.3JSP的混合优化策略设计163
8.4.1.4基于典型算例的仿真研究166
8.4.2基于混合策略的置换Flow?shop优化研究170
8.4.2.1混合优化策略170
8.4.2.2算法操作与参数设计172
8.4.2.3数值仿真与分析172
8.4.3基于混合策略的一类批量可变流水线调度问题的优化研究174
8.4.3.1问题描述及其性质174
8.4.3.2混合优化策略的设计175
8.4.3.3仿真结果和分析177
8.5基于混合策略的神经网络权值学习研究177
8.5.1BPSA混合学习策略178
8.5.2GASA混合学习策略178
8.5.3GATS混合学习策略179
8.5.4编码和优化操作设计180
8.5.5仿真结果与分析180
8.6基于混合策略的神经网络结构学习研究184
8.6.1RBF网络简介184
8.6.2RBF网络结构优化的编码和操作设计184
8.6.3RBF网络结构的混合优化策略186
8.6.4计算机仿真与分析187
8.7基于混合策略的光学仪器设计研究189
8.7.1引言189
8.7.2模型设计190
8.7.3仿真研究和设计结果191
附录Benchmark问题193
A：TSP Benchmark问题193
B： 置换Flow?shop Benchmark问题195
C：Job?shop Benchmark问题211
参考文献217
四、智能算法的智能算法概述
智能优化算法要解决的一般是最优化问题。最优化问题可以分为（1）求解一个函数中，使得函数值最小的自变量取值的函数优化问题和（2）在一个解空间里面，寻找最优解，使目标函数值最小的组合优化问题。典型的组合优化问题有：旅行商问题（Traveling Salesman Problem，TSP），加工调度问题（Scheduling Problem），0－1背包问题（Knapsack Problem），以及装箱问题（Bin Packing Problem）等。
优化算法有很多，经典算法包括：有线性规划，动态规划等；改进型局部搜索算法包括爬山法，最速下降法等，本文介绍的模拟退火、遗传算法以及禁忌搜索称作指导性搜索法。而神经网络，混沌搜索则属于系统动态演化方法。
优化思想里面经常提到邻域函数，它的作用是指出如何由当前解得到一个（组）新解。其具体实现方式要根据具体问题分析来定。
一般而言，局部搜索就是基于贪婪思想利用邻域函数进行搜索，若找到一个比现有值更优的解就弃前者而取后者。但是，它一般只可以得到“局部极小解”，就是说，可能这只兔子登“登泰山而小天下”，但是却没有找到珠穆朗玛峰。而模拟退火，遗传算法，禁忌搜索，神经网络等从不同的角度和策略实现了改进，取得较好的“全局最小解”。
以上就是关于智能优化算法可以用到哪里相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。
推荐阅读：
商家微信二维码收款怎么申请（商家微信二维码收款怎么申请退款）
赣公网安备 50019002502384号
