生物启发.ppt

生物启发式优化方法及其在管理中的应用 报告内容 报告内容 启发式计算方法背景 经典的计算方法 启发式计算方法 启发式计算方法分类 报告内容 遗传算法 遗传算法 神经计算 神经计算 模糊逻辑 其它生物启发式计算技术 报告内容 鱼群觅食模型 鸟群的飞行行为 避免碰撞 速度匹配 中心聚集 鸟群觅食模型 社会型行为的模拟 认知行为 （Cognition Behavior） 先前经验 社会行为 （Social Behavior） We tend to adjust our beliefs and attitudes to conform with those of our social peers. 粒子群算法介绍 每个寻优的问题解都被想像成一支鸟，也称为“Particle”。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏， 每一个Particle具有记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 速度与位置更新 算法流程 Initialization ：将群族做初始化，以随机的方式求出每一Particle 之初始位置与速度。 Evaluation：依据fitness function 计算出其fitness value 以作为判断每一个Particle之好坏。 Find Pbest ：找出每一个Particle 到目前为止的搜寻过程中最佳解，这个最佳解称之为Pbest。 Find the Gbest：找出所有群体中的最佳解，此最佳解称之为Gbest。 Update the Velocity and position： 根据速度与位置公式 更新每一Particle的速度与位置。 Termination. 返回步骤2继续执行，直到获得一个令人满意的结果或符合终止条件为止。 参数选择 粒子数: 一般取 20 – 40. 其实对于大部分的问题10个粒子已经足够可以取得好的结果, 不过对于比较难的问题或者特定类别的问题, 粒子数可以取到100 或 200 粒子的维数: 这是由优化问题决定, 就是问题解的长度 粒子的范围: 由优化问题决定,每一维可是设定不同的范围 Vmax: 最大速度,决定粒子在一个循环中最大的移动距离,通常设定为粒子的范围宽度 学习因子: c1 和 c2 通常等于 2. 不过在文献中也有其他的取值. 但是一般 c1 等于 c2 并且范围在0和4之间 中止条件: 最大循环数以及最小错误要求. PSO与遗传算法的比较 相同点 都是基于种群的 都需要适应度函数. 都是随机计算技术 不能保证100%收敛  不同点 PSO没有交叉变异等进化操作 . PSO中通过粒子的竞争与协作实现种群进化 粒子具有记忆能力  优点 PSO 容易实现具有较小的调整参数 收敛速度快、解质量高、鲁棒性好 Schwefels function 初始状态 5代后 10代后 15代后 100代后 500代后 最终结果 报告内容 报告内容 837.9658 最优解 837.965771 5000 837.911535 100 834.813763 20 793.732019 15 759.404006 10 515.748796 5 416.245599 0 搜寻结果 迭代次数 1 启发式计算方法研究背景 2 生物启发式计算方法 3 群体智能优化方法（SI） 4 SI算法在管理中的应用 5 实例研究 SI算法提供了一种求解复杂系统优化间题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于很多学科。下面是SI的一些主要应用领域： (1) 管理领域的组合优化问题 随着问题规模的增大，组合优化问题的有哪些信誉好的足球投注网站空间也急剧扩 大，有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们己意识到应把主要精力放在寻求其满意解上，而SI算法是寻求这种满意解的最佳工具之一。实践证明，SI算法对于组合优化中的NP完全问题非常有效。 例如，SI已经在求解旅行商问题、背包问题、装箱问题、指派问题等方面得到成功的应用。 SI算法在管理中应用 （2）物流与供应链管理中应用 物流与供应链管理中，在很多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解，也会因简化得太多而使得求解结果与实际相差甚远。 而目前在现实管理中也主要是靠一些经验来进行管理。现在群体智能算法已成为复杂问题的有效工具，在生产计划调度、运输问题、车辆路径调度问题、物流配送管理问题，多级库存优化控制策略，供应链需求预测优化模型研究，都得到了有效的应用. S