正文

智能優(yōu)化算法

發(fā)布時(shí)間：2023-04-22 08:01:17 稿源：創(chuàng)意嶺閱讀： 53

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于智能優(yōu)化算法的問題，以下是小編對(duì)此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個(gè)非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務(wù)客戶遍布全球各地，如需了解SEO相關(guān)業(yè)務(wù)請(qǐng)撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、智能優(yōu)化算法生成的解一直都不太好怎么辦
2、智能優(yōu)化算法：蝠鲼覓食優(yōu)化算法
3、現(xiàn)在哪些智能優(yōu)化算法比較新
4、多目標(biāo)智能優(yōu)化算法及其應(yīng)用的序言

智能優(yōu)化算法

一、智能優(yōu)化算法生成的解一直都不太好怎么辦

首先，你可以檢查一下智能優(yōu)化算法的輸入數(shù)據(jù)，看看有沒有什么地方偏差。如果輸入數(shù)據(jù)有誤，可以嘗試修改輸入數(shù)據(jù)來獲得更好的結(jié)果。

此外，你還可以通過更改優(yōu)化算法的參數(shù)來改善結(jié)果。例如，如果你發(fā)現(xiàn)算法中的某些步驟不太適合你的任務(wù)，可以嘗試更改相應(yīng)的參數(shù)，以便獲得更好的結(jié)果

二、智能優(yōu)化算法：蝠鲼覓食優(yōu)化算法

@[toc]

摘要：蝠鲼覓食優(yōu)化 (Manta ray foraging optimization，

MRFO)是由 Zhao 等，在 2019 年提出的新型智能仿生群體算法。具有尋優(yōu)能力強(qiáng)，收斂快的特點(diǎn)。

該算法是模仿蝠鲼在海洋中的覓食過程，針對(duì)不同捕食策略進(jìn)行數(shù)學(xué)建模，對(duì)蝠鲼個(gè)體位置更新的方式進(jìn)行數(shù)學(xué)描述，從而實(shí)現(xiàn)在復(fù)雜解空間中對(duì)最優(yōu)解的搜索。由于位置更新方式的獨(dú)特性，MRFO 的求解精度與魯棒性相比于傳統(tǒng)群體智能仿生算法也有顯著的提升。MRFO 可描述為 3 種覓食行為，包括鏈?zhǔn)揭捠?、螺旋覓食以及翻滾覓食。

鏈?zhǔn)讲妒尺^程中，蝠鲼種群從頭到尾排成一條捕食鏈。蝠鲼個(gè)體下一位置的移動(dòng)方向與步長是由當(dāng)前最優(yōu)解與前一個(gè)體位置共同決定。該種位置更新方式數(shù)學(xué)模型如下:

式中，表示第代、第個(gè)個(gè)體在維上的位置;r表示在［0，1］上均勻分布的隨機(jī)數(shù); 表示第代最優(yōu)個(gè)體在第維上的位置; 表示個(gè)體數(shù)量。

當(dāng)蝠鲼個(gè)體發(fā)現(xiàn)某獵物之后，其會(huì)采用螺旋的方式向其靠近。MRFO 中蝠鲼個(gè)體由于鏈?zhǔn)讲妒撤绞降拇嬖冢湓谙虍?dāng)前解螺旋移動(dòng)的過程中，同樣還受到前一個(gè)個(gè)體的影響。該種位置更新方式數(shù)學(xué)模型如下:

當(dāng) ，描述蝠鲼螺旋狀運(yùn)動(dòng)的數(shù)學(xué)方程可以定義為:

中，為迭代總次數(shù); 在［0，1］上均勻分布隨機(jī)數(shù)。當(dāng)

，描述蝠鲼螺旋狀運(yùn)動(dòng)的數(shù)學(xué)方程可以定義為:

表示第代、第維的隨機(jī)位置。表示變量取值上、下界。

在翻滾捕食中，蝠鲼個(gè)體以當(dāng)前最優(yōu)解作為翻滾支點(diǎn)，翻滾至與其當(dāng)前位置成鏡像關(guān)系的另一側(cè)。其數(shù)學(xué)模型表達(dá)如下:

中，和都是在[0,1]上均勻分布的隨機(jī)數(shù)。

算法流程

step1.設(shè)定算參數(shù)，初始化種群

step2. 計(jì)算適應(yīng)度值

step3.判斷rand<0.5。如果成立，則執(zhí)行螺旋覓食。如果不成立則執(zhí)行鏈?zhǔn)揭捠场?/p>

step4.計(jì)算適應(yīng)度值，更新最優(yōu)位置

step5.執(zhí)行翻滾覓食，更新位置

step6.計(jì)算適應(yīng)度值，更新最優(yōu)位置

step7.判斷是否滿足結(jié)束條件，如果滿足則輸出最優(yōu)值，否則重復(fù)執(zhí)行step2-step7.

[1]李璟楠,樂美龍.多種群蝠鲼覓食優(yōu)化求解多跑道機(jī)場航班排序[J].航空計(jì)算技術(shù),2020,50(06):47-51.

[1]Zhao Weiguo，Zhang Zhenxing，Wang Liying． Manta Ray Foraging Optimization:An Effective Bio-inspired Optimizer for Engineering Applications［J］． Engineering Applications of Artificial Intelligence，2020，87:103300．

https://mianbaoduo.com/o/bread/YZaUl5xw

三、現(xiàn)在哪些智能優(yōu)化算法比較新

智能優(yōu)化算法是一種啟發(fā)式優(yōu)化算法，包括遺傳算法、蟻群算法、禁忌搜索算法、模擬退火算法、粒子群算法等?！ぶ悄軆?yōu)化算法一般是針對(duì)具體問題設(shè)計(jì)相關(guān)的算法，理論要求弱，技術(shù)性強(qiáng)。一般，我們會(huì)把智能算法與最優(yōu)化算法進(jìn)行比較，

最新的智能優(yōu)化算法有哪些呢，論文想研究些新算法，但是不知道哪些算法...

答：蟻群其實(shí)還是算比較新的。更新的也只是這些算法的最后改進(jìn)吧。演化算法就有很多。隨便搜一篇以這些為標(biāo)題，看06年以來的新文章就可以了。各個(gè)領(lǐng)域都有的。否則就是到極限，也就沒有什么研究前景了。

四、多目標(biāo)智能優(yōu)化算法及其應(yīng)用的序言

大多數(shù)工程和科學(xué)問題都是多目標(biāo)優(yōu)化問題，存在多個(gè)彼此沖突的目標(biāo)，如何獲取這些問題的最優(yōu)解，一直都是學(xué)術(shù)界和工程界關(guān)注的焦點(diǎn)問題.與單目標(biāo)優(yōu)化問題不同，多目標(biāo)優(yōu)化的本質(zhì)在于，大多數(shù)情況下，某目標(biāo)的改善可能引起其他目標(biāo)性能的降低，同時(shí)使多個(gè)目標(biāo)均達(dá)到最優(yōu)是不可能的，只能在各目標(biāo)之間進(jìn)行協(xié)調(diào)權(quán)衡和折中處理，使所有目標(biāo)函數(shù)盡可能達(dá)到最優(yōu)，而且問題的最優(yōu)解由數(shù)量眾多，甚至無窮大的Pareto最優(yōu)解組成。

智能優(yōu)化算法是一類通過模擬某一自然現(xiàn)象或過程而建立起來的優(yōu)化方法’這類算法包括進(jìn)化算法、粒子群算法、禁忌搜索、分散搜索、模擬退火、人工免疫系統(tǒng)和蟻群算法等。和傳統(tǒng)的數(shù)學(xué)規(guī)劃法相比，智能優(yōu)化算法更適合求解多目標(biāo)優(yōu)化問題。首先，大多數(shù)智能優(yōu)化算法能同時(shí)處理一組解，算法每運(yùn)行一次，能獲得多個(gè)有效解。其次，智能優(yōu)化算法對(duì)Pareto最優(yōu)前端的形狀和連續(xù)性不敏感，能很好地逼近非凸或不連續(xù)的最優(yōu)前端。目前，智能優(yōu)化算法作為一類啟發(fā)式搜索算法，已被成功應(yīng)用于多目標(biāo)優(yōu)化領(lǐng)域，出現(xiàn)了一些熱門的研究方向，如進(jìn)化多目標(biāo)優(yōu)化，同時(shí)，多目標(biāo)智能優(yōu)化算法在電力系統(tǒng)、制造系統(tǒng)和控制系統(tǒng)等方面的應(yīng)用研究也取得了很大的進(jìn)展。

本書力圖全面總結(jié)作者和國內(nèi)外同行在多目標(biāo)智能優(yōu)化算法的理論與應(yīng)用方面所取得的一系列研究成果。全書包括兩部分，共8章。第一部分為第1-4主要介紹了各種多目標(biāo)智能優(yōu)化算法的理論。其中第1章為緒論，介紹各種智能優(yōu)化算法的基本思想和原理。第2章介紹多目標(biāo)進(jìn)化算法，主要描述多目標(biāo)進(jìn)化算法的基本原理、典型算法和各種進(jìn)化機(jī)制與策略，如混合策略、協(xié)同進(jìn)化和動(dòng)態(tài)進(jìn)化策略等。第3章介紹多目標(biāo)粒子群算法，包括基本原理、典型算法、混合算法和交互粒子群算法等。第4章描述除粒子群算法和進(jìn)化算法之外的其他多目標(biāo)智能優(yōu)化算法，主要介紹多目標(biāo)模擬退火算法、多目標(biāo)蟻群算法、多目標(biāo)免疫算法、多目標(biāo)差分進(jìn)化算法和多目標(biāo)分散搜索等。

第二部分為第5-8章，主要介紹了多目標(biāo)智能優(yōu)化算法的應(yīng)用’包括神經(jīng)網(wǎng)絡(luò)優(yōu)化、生產(chǎn)調(diào)度、交通與物流系統(tǒng)優(yōu)化、電力系統(tǒng)優(yōu)化及其他。第5章描述人工神經(jīng)網(wǎng)絡(luò)的多目標(biāo)優(yōu)化，主要包括Pareto進(jìn)化神經(jīng)網(wǎng)絡(luò)、徑向基神經(jīng)網(wǎng)絡(luò)、遞歸神經(jīng)網(wǎng)絡(luò)和模糊神經(jīng)網(wǎng)絡(luò)。第6章介紹交通與物流系統(tǒng)優(yōu)化，主要描述了智能優(yōu)化算法在物流配送、城市公交路線網(wǎng)絡(luò)和公共交通調(diào)度等方面的應(yīng)用。

智能優(yōu)化算法