| Språk : |
|
| Encyclopedia gemenskap |Encyclopedia Svar |Submit fråga |Ordförråd Kunskap |Överför kunskap |
Intelligent algoritm |
|
I konstruktionspraxis vi ofta kommer i kontakt med några av de mer "new" eller teoretiska algoritmer, såsom simulerad glödgning, genetisk algoritm, tabu sökning, neuronnät. Dessa algoritmer eller teorier har vissa gemensamma egenskaper (t.ex. simulering av naturliga processer), allmänt känd som "intelligent algoritm." De är mycket användbara för att lösa komplexa tekniska problem. Intelligenta algoritmer Dessa algoritmer är vad detta? För det första, en lokal sökning, simulerad stelning, genetisk algoritm, tabu Sök metafor: För att hitta det högsta berget på jorden, började en grupp blivande kaniner att tänka på olika sätt. 1. Bunny mot höjdhopp till plats än det är nu. De fann det högsta berget inte långt. Men berget är inte nödvändigtvis Everest. Det här är lokal sökning, garanterar inte ett lokalt optimalt värde är den globala optimala.2. Kanin berusad. Han hoppar slumpmässigt under en lång tid. Under denna period är det sannolikt att gå upp högt, kan det komma in i marken. Men han gradvis vakna upp och gå till den högsta hoppriktningen. Detta är simulerad glödgning. 3. Kaniner äter amnesi piller, och lanserades i rymden, och sedan slumpmässigt föll på vissa delar av planeten. De vet inte vad deras uppdrag är. Men om du hade ett par år för att döda låglänta delen av kaninen, kommer produktiva kaniner hitta sin egen Everest. Detta är den genetiska algoritmen. 4 kaniner vet att en kanin styrka är liten. De Huxiangzhuangao med, där bergen har kontaktats och pratade med var och en av dem lämnade en kanin kulle märkning. De utvecklade en strategi för var du ska leta nästa. Detta är tabu sökning. Intelligent algoritm översikt Intelligent optimeringsalgoritmer för att lösa optimeringsproblem i allmänhet. Optimeringsproblem kan delas in i (1) lösa en funktion, vilket gör det minsta funktionsvärdet från de variabla värdefunktion optimeringsproblem och (2) i vilken en lösning utrymme, hitta den optimala lösningen, det minsta värdet på målfunktionen av kombinatorisk optimering problem. En typisk kombinatorisk optimering problem: Traveling Salesman Problem (Traveling Salesman Problem, TSP), bearbetning schemaläggningsproblem (Schemaläggning Problem) ,0-1 ränsel problem (Knapsack Problem) och packningsproblem (Bin Packing Problem) och så vidare. Det finns många optimeringsalgoritmer, inklusive klassiska algoritmer: linjär programmering, dynamisk programmering, etc., förbättrad lokal sökalgoritm inkluderar klättring metod, brantaste härkomst metod, som beskrivs i den här artikeln simulerad stelning, genetisk algoritm och tabu sökmetod kallas vägledning. De neurala nätverk, hör kaotisk sökmetod till systemet dynamiska utvecklingen. Optimering av tanke som ofta hänvisas till grannskapet fungerar, är dess roll att räkna ut hur man får en (grupp) ny lösning av den nuvarande lösningen. För att analysera specifikt genomförande som ska grundas på specifika frågor. I allmänhet är lokal sökning baserad på ideologi girighet använda grannskaps sökfunktionen, om att hitta en bättre lösning än det nuvarande värdet och ta den senare på den tidigare övergivna. Dock är det i allmänhet bara få "lokal minimilösning", det vill säga, kan detta kanin landning "Goldenthal berg och lilla världen", men hittade inte Mount Everest. Den simulerade glödgning, genetisk algoritm, tabu ökning, neurala nätverk från olika vinklar och strategier för att uppnå de förbättringar som uppnås bättre "globalt minimum." Klassificering Algoritm Simulerad glödgning algoritm Simulerad glödgning Algoritmen baseras på likheten av det fasta materialet under glödgning och kombinatorisk optimeringsproblem. Ämnen som vid upphettning till Brownsk rörelse av partiklarna ökas, efter att ha nått en viss intensitet, det fasta materialet i en vätska, och därefter glödgas vid denna tid, den termiska rörelsen hos partiklarna försvagas och gradvis bli ordnad, och slutligen uppnå stabilitet. Simulerade glödgning lösningar är inte längre som det slutliga resultatet beror på den första punkten som lokal sökning. Det införs en acceptanssannolikhets sid. Om den nya punkten (set pn) i målfunktionen f (pn) bättre, då p = 1, vilket innebär att välja en ny punkt, annars är sannolikheten p den aktuella mottagningspunkten (set st) av målfunktionen f (pc), NYTT målfunktionen f (pn), och en annan styrparameter "temperatur" T-funktion. Det vill säga, den simulerade glödgning lokal sökning inte gillade var girigt ser bra ut än vad det är nu, målfunktionen nästan punkt kan också komma att acceptera. Med utförandet av algoritmen är systemet temperaturen T minskar gradvis, och slutligen avslutas vid en låg temperatur, vid vilken temperatur, systemet inte längre att acceptera förändringar. Typiska egenskaper för simulerad glödgning för att förbättra målfunktionen är utöver den acceptans, men också att acceptera en maximal dämpning, när T är stor, accepterade stor dämpning när T är gradvis mindre, desto mindre dämpning accepteras, när T är 0, inte längre acceptabel dämpning. Denna funktion innebär att den simulerade glödgning och lokal sökning Däremot kan undvika lokala minima, och även behålla enkelheten och mångsidigheten av lokal sökning. Fysiskt, den första uppvärmda för att möjliggöra inbördes kollisioner mellan molekylerna blir oordnat tillstånd att öka den inre energi och kylning, den sista sekvensen av molekylen, men kommer att vara mer ordnad, inom inte mer än föregående uppvärmning. Liksom kaninen, efter det var berusad, jämfört med toppar nära blunda snubblade hoppa en stor cirkel, men mer sannolikt att hitta Everest. Särskilt när T är 0, blir den simulerade glödgning ett specialfall av lokal sökning. Simulerad Glödgning pseudo-kod uttryck: förfarande simuleras glödgning börja t: = 0; initiera temperatur T Välj en aktuell sträng vc på måfå; utvärdera vc; upprepning upprepning väljer en ny sträng vn i grannskapet av vc, (1) |
| Användare Omdöme |
|
Inga kommentarer |
