智能优化方法及matlab_ga工具箱简介

《智能优化方法及matlab_ga工具箱简介》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、自动化创新实践课程专题讲座智能优化方法及MATLABGA工具箱简介陆宁云2011.4目录1优化问题2经典优化方法现代优化方法34遗传算法5基于GA的优化问题求解实例6Matlab的GA工具箱简介优化问题简介生活中经常遇到的求利润最大、用料最省、效率最高等问题，都是优化问题。所谓最优化问题就是在满足一定的约束条件下，寻找一组参数值，以使某些最优性度量得到满足，即使系统的某些性能指标达到最大或最小。最优化问题描述：minf(X)XSg(X)0is.th(X)0或0i其中f(X)为目标函数，gi(X)为约束函数，S为约束域。经典优化方法线性规划非线性规划整数规划动

2、态规划多目标规划。。。经典优化方法123动态规划线性规划非线性规划解决多阶段决策过研究线性约束条具有非线性约程最优化问题的优件下线性目标函束条件或目标化方法。本质上还数的极值问题的函数的数学规是一种非线性规划数学理论和方法。划。方法，核心是Bellman提出的最优性原理。经典优化方法45整数规划多目标规划要求问题的最优解研究目标函数多于中的全部或一部分一个时的最优化问变量为整数的数学题。规划。从约束条件的构成又可细分为线性，二次和非线性的整数规划缺点：应用对象受限，计算量大，收敛速度慢现代优化方法现代优化算法又称智能优化算法或现代启发式算法，是一种具有全局优化性能、通用性强

3、、且适合于并行处理的算法。这种算法一般具有严密的理论依据,而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。现代优化方法禁忌搜索算法模拟退火算法遗传算法人工神经网络蚁群算法粒子群算法混合算法(上述方法综合)现代优化方法禁忌搜索模拟退人工神经算法火算法网络是一种全局性邻域搜索算法，模拟人类具由大量处理单元互模拟物理中固体退火有记忆功能的寻优特联组成的非线性、原理（加温，等温，征。它通过局部邻域自适应信息处理系冷却），从某一较高搜索机制和相应的禁统。是由人工建立初温出发，伴随温度忌准则来避免迂回搜的以有向图为拓扑参数的不断下降,结合索，并通过破禁水平结构的

4、动态系统，概率突跳特性在解空来释放一些被禁忌的它通过对连续或断间中随机寻找目标函优良状态，进而保证续的输入作状态相数的全局最优解多样化的有效探索，应而进行信息处理以最终实现全局优化。现代优化方法蚁群算法粒子群算法是通过模拟。鸟群觅食行为而发展起模拟蚂蚁在寻找食来的一种基于群体物过程中发现路径协作的随机搜索算的行为，是一种用法。系统初始化为来在图中寻找优化一组随机解，通过路径的机率型算法迭代搜寻最优值。与GA类似。现代优化方法•遗传算法(GeneticAlgorithm,GA)：遗传算法是20世纪60年代由美国GAMichigan大学的J.H.Holland教授首先提出的，主

5、要模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量——染色体，向量的每个元素成为基因。通过不断计算各染色体的适应值，获得最优解。现代优化方法遗传算法•遗传学中常用的词汇：细胞(Cell)：构成生物的基本的结构和单位。染色体(Chromosome):细胞中含有的一种微小丝状化合物。基因(Gene):遗传的基本单位。复制(reproduction):细胞在分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，并集成旧细胞的基因。现代优化方法遗传算法交叉(Crossover):两个同源染色体之间通过交叉而重组。变异(Mutation)：在细胞复制时

6、，可能产生复制差错，从而使DNA发生变异，产生出新的染色体。进化(Evolution):生物在其延续生存的过程中，逐渐适应于其生存环境，使得其品质不断得到改良，这种生命现象称之为进化群体(Population):生物进化是以集团的形式进行的，这样的集团称为群体现代优化方法遗传算法适应度(Fitness):每个个体对其生存环境都有不同的适应能力，这种适应能力称为适应度现代优化方法开始遗传算法求解问题流程初始化种群编码，初始种群计算适应度值个体适应度评价遗传算子选择，交叉，变异停止准则条件终止否是结束现代优化方法遗传算法的实现•编码（解码）：一般采用二进制0/1字符编码。编码x

7、(十进制数)y(二进制数)解码Li1x[xmin,xmax]bi2bLbL1...b1i1xxmaxmin转换精度：L21现代优化方法遗传算法的实现•产生初始群体MM越大，搜索范围越宽，但每代的遗传操作时间越长；M越小，搜索范围越小，但每代的遗传操作时间越短。通常：M=20~100现代优化方法遗传算法的实现•个体适应度评价在GA中，以个体适应度的大小来确定该个体被遗传到下一代的概率。个体适应度越高，被选中的概率越大（要求个体适应度F(x)0）。对于求目标函数最大值的优化问题F(x)f(x)对