生物啟發(fā)式優(yōu)化方法及其在管理中的應用-wenkub
2022-10-22 14:53:45 本頁面
【正文】 y 是 Br 是 A2 x 是 Ar x規(guī)則 2 規(guī)則 r 模糊推理系統(tǒng)是建立在模糊集合理論、模糊 ifthen規(guī)則和模糊推理等概念基礎(chǔ)上的先進的計算框架。 11 遺傳算法 +++==生物的進化機制 ?自然選擇 適應環(huán)境的個體具有更高的生存能力，同時染色體特征被保留下來 ?雜交 隨機組合來自父代的染色體上的遺傳物質(zhì)，產(chǎn)生不同于它們父代的染色體 ?突變 隨機改變父代的染色體基因結(jié)構(gòu)，產(chǎn)生新染色體 12 神經(jīng)計算 樹突 突觸 軸突 細胞體 人工神經(jīng)網(wǎng)絡(luò)是由 具有適應性的簡單單元組成的廣泛并行互連的網(wǎng)絡(luò)，它的組織能夠模擬生物神經(jīng)系統(tǒng)對真實世界物體所作出的交互反應。 7 啟發(fā)式計算方法分類 ?物理啟發(fā)式 模擬退火算法 （ 模擬固體熔化狀態(tài)下由逐漸冷 卻至最終達到結(jié)晶狀 態(tài)的物理過程 ） 量子計算 （ 模擬量子態(tài)的疊加性和相 干性 以及 量子 比特之間的糾纏性） ?社會與文化啟發(fā) 文化算法 （ 模擬人類社會的演化過程 ） 人口遷移算法 （ 模擬人口流動與人口遷移 ） 8 報告內(nèi)容 1 啟發(fā)式計算方法研究背景 2 生物啟發(fā)式計算方法 3 群體智能優(yōu)化方法（ SI） 4 SI算法在管理中的應用 5 實例研究 生物啟發(fā)式優(yōu)化方法 ?遺傳算法 ?神經(jīng)網(wǎng)絡(luò) ?模糊邏輯 ?。生物啟發(fā)式優(yōu)化方法 及其在管理中的應用 牛 奔 Email: 2 報告內(nèi)容 ?啟發(fā)式優(yōu)化方法研究背景 ?生物啟發(fā)式優(yōu)化方法 ?群體智能優(yōu)化方法（ SI） ?SI算法在管理中的應用 ?實例研究 3 報告內(nèi)容 1 啟發(fā)式計算方法研究背景 2 生物啟發(fā)式計算方法 3 群體智能優(yōu)化方法（ SI） 4 SI算法在管理中的應用 5 實例研究 4 ?最優(yōu)化問題模型 啟發(fā)式計算方法背景 m in ( )fx. ( ) 0( ) 0 0iis t g xhx?? 或?全局最優(yōu)與局部最優(yōu) Dx S R???實際生活中的優(yōu)化問題 5 經(jīng)典的計算方法 ?17世紀 Newtown 微積分 ?1847年 Cauchy 最速下降法 ?1947年 Dantzig 單純形方法 ?1939年 Kantorovich下料問題和運輸問題 問題求解 6 啟發(fā)式計算方法 【 定義 11】 啟發(fā)式算法是一種基于直觀或經(jīng)驗構(gòu)造的算法，在可接受的耗費（指計算時間、占用空間等）下給出待解決優(yōu)化問題每一實例的一個可行解，該可行解與最優(yōu)解的偏離程度未必可事先估計。 10 遺傳算法 進化過程 優(yōu)化過程 生物進化過程是一個自然，并行，穩(wěn)健的優(yōu)化過程，這一優(yōu)化過程的目的在于使生命體達到適應環(huán)境的最佳結(jié)構(gòu)與效果，而生物種群通過 ” “ 優(yōu)勝劣汰 ” 及遺傳變異來達到進化（優(yōu)化）目的的。人工神經(jīng)網(wǎng)絡(luò)具有自學習和自適應的能力。 18 A C 19 A C 20 A C 21 ????? ??? ? ??o t h e r w i s e 0a l l o w e d if )( al l o w ed ][)]([][)]([jtp j ijijijijttkij????????),()()(ij ntttnt ijij ?????? ????軌跡更新 : Visibility: ?ij = 1/dij 螞蟻算法 表示軌跡的相對重要性 ??表示能見度的相對重要性 軌跡的持久性 ?ij?? 表示第 K只螞蟻在本次循環(huán)中留在路徑 ij上的信息量 開 始初 始 化+1ccNN?達 到 最 大 循
教學課件相關(guān)推薦
鄂ICP備17016276號-1