智能优化算法

.如对于连续优化问题，可预估一个含有最优解的区域  (如超平面).在这个区域中随机产生一个点，然后检验这个解的可行性.如是可行的，则接受为染色体;如不可行，则重新在那个区域中随机产生一个点直到是可行点为止.重复刚才的过程pop_size次得到pop_size个初始染色体. 群体的规模 1. 群体的规模可以设定为个体编码长度数的一个线性倍数2.群体的规模可以是一个给定数3.群体的规模也可以是变化的.当连续多代没能改变解的性能，则可扩大群体的规模;若解的改进非常好，则可以减少群体的规模. 评价函数 评价函数Eval ( V)是根据每个染色体V的适应函数fitness( V)而得到与其他染色体的比例关系，可用它决定该染色体被选为种群的概率.如 选择过程 交叉运算 1. 常用方法一一双亲双子2.变化交叉位法3.多交叉位法4.双亲单子法5.显性遗传法6.单亲遗传法* 对于根据问题确定的编码，交叉运算可用如下之方法1.随机选一个交叉位，父代交叉位前的基因分别继承给两个后代，两后代之后的基因分别按对方基因顺.序选取不重基因2.不变位法 变异运算 蚁群优化算法Ant Colony Optimization Algorith ms(ACOA)是求解组合优化问题的一种启发式算法，它受蚂蚁的社会行为而启发.在ACOA，计算信息是靠赋予一群人工蚂蚁信息素而实现的.ACOA由orig。于1992年提出，在求解许多复杂优化问题中宣示出良好的鲁棒性和通用性. 问题描述 蚂蚁在寻找食物过程中，会在他们经过的地方留下信息素.这些物质能影响后来蚂蚁的行动，后到的蚂蚁选择有较多这些物质的路径的可能性比有较少这些物质的路径的可能性大得多.后到的蚂蚁留下的信息素会对原有的信息素进行加强. 考虑极小化问题(s, f, 偶米噶)，其中s是定义域，f是目标函数，而（偶米噶）约束集.组合优化问题(S, f,偶米噶)也可描述为一个有向图问题G=(C,L,T)，其中C为顶点集，L为连接顶点C的边集，而T是一个称为信息素（淘）的向量. 基本蚁群算法 算法(蚁群优化算法) Step 1.初始化所有的信息素具有同样的量. Step 2.根据信息素构造人工蚂蚁行动路线(解) Step 3.重复第二步直至所有蚂蚁完成一次行动. Step 4.根据当前最好解更新路径上的信息素. Step 5.重复第二至第四步直至终止条件满足. Step 6.输出最好解作为最优解. 信息素更新 在t时刻，设S^是目前为止的最好可行解，而St是当前t时刻的最好可行解.设f(s^)和f (st)是对应的目标函数值. 如果，f (St) Eo，那么k=0, 到第二步------Step 8.结束. 继续阅读