智能算法概述

优化问题是指在满足一定条件下,在众多方案或参数值中寻找最优方案或参数值,以使得某个或多个功能指标达到最优,或使系统的某些性能指标达到最大值或最小值。

进化类算法

自然界的生物体在遗传、选择和变异等一系列作用下,优胜劣汰,不断地由低级向高级进化和发展,人们将这种“适者生存”的进化规律的实质加以模式化而构成一种优化算法,即进化计算。

遗传算法

遗传算法(Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化过程而形成的自适应全局优化搜索算法。它最早由美国的J.H.Holland教授提出。

遗传算法是通过模仿自然界生物进化机制而发展起来的随机全局搜索和优化算法。它借鉴了达尔文的进化论和孟德尔的遗传学说,本质上是一种并行、高校、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应地控制搜索过程以求得最优解。

差分进化算法

差分进化算法(Differential Evolution,DE)是一种新兴的进化计算技术。它由Storn等人于1995年提出,其最初的设想是用于解决切比雪夫多项式问题。

差分进化算法是基于群体智能理论的优化算法,是通过群体内个体间的合作与竞争产生的智能优化搜索。具有较强的全局收敛能力和稳健性,且不需要借助问题的特征信息,适用于求解一些利用常规的数学规划方法很难求解甚至无法求解的复杂优化问题。

免疫算法

免疫算法(Immune Algorithm,IA)是模仿生物免疫机制,结合基因的进化机理,人工构造出的一种新型智能搜索算法。免疫算法具有一般免疫系统的特征,采用群体搜索策略,通过迭代计算,最终以较大概率得到问题的最优解。相较于其它算法,免疫算法利用自身产生多样性和维持机制,保证了种群的多样性,克服了一般寻优过程中(特别是多峰值的寻优的过程中)不可避免的”早熟“问题,可求得最优解。

免疫算法具有自适应性、随机性、并行性、全局收敛性、种群多样性等优点。

群智能算法

群智能方法是一种能够有效解决大多数全局优化问题的新方法。其中蚁群算法和粒子群算法是最主要的两种群智能算法。前者是度蚂蚁群体食物采集过程的模拟;后者起源于对简单社会系统的模拟。

蚁群算法

蚁群算法(Ant Colony Optimization,ACO)是由意大利学者M.Dorigo、V.Maniezzo和A.Colorni于20世纪90年代初期通过模拟自然界中蚂蚁集体寻优行为而提出的一种基于种群的启发式随机搜索算法,是群智能理论研究领域的一种主要算法。

蚁群算法具有分布式计算、无中心控制和分布式个体之间间接通信等特征,易于与其他优化算法相结合。

粒子群算法

粒子群算法(Particle Swarm Optimization, PSO)是Kennedy和Eberhart受人工生命研究结果的启发,通过模拟鸟群觅食过程中的迁徙和群聚行为而提出的一种基于群体智能的全局随机搜索算法。

模拟退火算法

模拟退火算法(Simulated Annealing,SA)是一种基于Monte Carlo迭代求解策略的随机寻优算法,其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。其目的在于:为具有NP(Non-deterministic Polynomial)复杂性的问题提供有效的近似求解算法,它克服了传统算法优化过程容易陷入局部极值的缺陷和对初值的依赖性。

模拟退火算法具有十分强大的全局搜索性能。

禁忌搜索算法

禁忌搜索算法(Tabu Search or Taboo Search,TS)的思想最早由美国工程院院士Glover教授在1986年提出,并在1989年和1990年对该方法做出了进一步的定义和发展。禁忌搜索算法是对局部邻域搜索的一种扩展,是一种全局逐步寻优算法,是对人类智力过程的一种模拟。它通过禁忌准则来避免重复搜索,并通过藐视准则来赦免一些被禁忌的优良状态,进而保证多样化的有效搜索,以最终实现全局优化。

神经网络算法

人工神经网络(Artificial Neural Network,ANN)简称为神经网络或称为连接模型。神经网络具有一些显著的特点:具有非线性映射能力;不需要精确的数学模型;擅长从输入输出数据中学习有用知识;容易实现并行计算;由大量的简单计算单元组成,易于用软硬件实现,等等。

参考文献:包子阳,余继周,杨杉. 智能优化算法及其MATLAB实例(第2版)[M]. 北京:电子工业出版社, 2018.

发表评论

好好学习,天天向上

资源中心 BL云端