物流系統(tǒng)的智能優(yōu)化方法

物流系統(tǒng)的智能優(yōu)化方法

1物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第1頁!課程內(nèi)容

模擬退火算法、遺傳算法、禁忌搜索算法、神經(jīng)網(wǎng)絡(luò)與神經(jīng)網(wǎng)絡(luò)優(yōu)化算法課程目標(biāo)

了解智能優(yōu)化的模型結(jié)構(gòu)；理解模擬退火算法的收斂性條件； 掌握智能優(yōu)化的流程、操作、算法理論與技術(shù) 物流系統(tǒng)優(yōu)化的智能優(yōu)化方法為復(fù)雜物流管理決策問題提供了重要的可行性解決方案。2物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第2頁!模擬退火算法(SimulatedAnnealing)1、基本思想(1)是基于MonteCarlo迭代求解策略的一種隨機(jī)尋優(yōu)算法，其出發(fā)點(diǎn)是基于物理中固體物質(zhì)的退火過程與一般組合優(yōu)化問題之間的相似性。(2)結(jié)合爬山法和隨機(jī)行走注：SA算法最早是由Metropolis等(1953)提出3物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第3頁!(3)模擬退火算法在某一初溫下，伴隨溫度參數(shù)的不斷下降，結(jié)合概率突跳特性在解空間中隨機(jī)尋找目標(biāo)函數(shù)的全局最優(yōu)解，即在局部優(yōu)解能概率性地跳出并最終趨于全局最優(yōu)解。模擬退火算法是一種通用的優(yōu)化算法，目前已在工程中得到了廣泛應(yīng)用。模擬退火算法(SimulatedAnnealing)4物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第4頁!⑵等溫過程。物理學(xué)的知識告訴我們，對于與周圍環(huán)境交換熱量而溫度不變的封閉系統(tǒng)，系統(tǒng)狀態(tài)的自發(fā)變化總是朝自由能減少的方向進(jìn)行，當(dāng)自由能達(dá)到最小時，系統(tǒng)達(dá)到平衡態(tài)。⑶冷卻過程。目的是使粒子的熱運(yùn)動減弱并漸趨有序，系統(tǒng)能量逐漸下降，從而得到低能的晶體結(jié)構(gòu)。模擬退火算法(SimulatedAnnealing)5物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第5頁!這種重要性采樣過程在高溫下可接受與當(dāng)前狀態(tài)能量差較大的新狀態(tài)，而在低溫下基本只接受與當(dāng)前能量差較小的新狀態(tài)，而且當(dāng)溫度趨于零時，就不能接受比當(dāng)前狀態(tài)能量高的新狀態(tài)。這種接受準(zhǔn)則通常稱為Metropolis準(zhǔn)則。模擬退火算法(SimulatedAnnealing)6物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第6頁!Until抽樣穩(wěn)定準(zhǔn)則滿足；②退溫，并令；Until算法終止準(zhǔn)則滿足；⑶輸出算法搜索結(jié)果。模擬退火算法(SimulatedAnnealing)7物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第7頁!⑴狀態(tài)產(chǎn)生函數(shù)設(shè)計狀態(tài)產(chǎn)生函數(shù)（鄰域函數(shù)）的出發(fā)點(diǎn)應(yīng)該是盡可能保證產(chǎn)生的候選解遍布全部的解空間。通常，狀態(tài)產(chǎn)生函數(shù)由兩部分組成，即產(chǎn)生候選解的方式和候選解產(chǎn)生的概率分布。模擬退火算法(SimulatedAnnealing)8物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第8頁!②隨溫度的下降，接受使目標(biāo)函數(shù)值上升的解的概率要逐漸減?。虎郛?dāng)溫度趨于零時，只能接受目標(biāo)函數(shù)值下降的解。狀態(tài)接受函數(shù)的引入是SA算法實(shí)現(xiàn)全局搜索的最關(guān)鍵的因素，SA算法中通常采用min[1,exp(-△C/t)]作為狀態(tài)接受函數(shù)。模擬退火算法(SimulatedAnnealing)9物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第9頁!①均勻抽樣一組狀態(tài)，以各狀態(tài)目標(biāo)值的方差為初溫。②隨機(jī)產(chǎn)生一組狀態(tài)，確定兩兩狀態(tài)間的最大目標(biāo)值差，然后依據(jù)差值，利用一定的函數(shù)確定初溫。譬如，其中為初始接受概率。③利用經(jīng)驗(yàn)公式給出。模擬退火算法(SimulatedAnnealing)10物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第10頁!⑸內(nèi)循環(huán)終止準(zhǔn)則內(nèi)循環(huán)終止準(zhǔn)則，或稱Metropolis抽樣穩(wěn)定準(zhǔn)則，用于決定在各溫度下產(chǎn)生候選解的數(shù)目。在非時齊SA算法理論中，由于在每個溫度下只產(chǎn)生一個或少量候選解，所以不存在選擇內(nèi)循環(huán)終止準(zhǔn)則的問題。

模擬退火算法(SimulatedAnnealing)11物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第11頁!⑹外循環(huán)終止準(zhǔn)則外循環(huán)終止準(zhǔn)則，即算法終止準(zhǔn)則，用于決定算法何時結(jié)束。設(shè)置溫度終值是一種簡單的方法。SA算法的收斂性理論中要求溫度終值趨于零，這顯然不合實(shí)際。通常的做法是：

①設(shè)置終止溫度的閾值；②設(shè)置外循環(huán)迭代次數(shù)；③算法搜索到的最優(yōu)值連續(xù)若干步保持不變；

④檢驗(yàn)系統(tǒng)熵是否穩(wěn)定。模擬退火算法(SimulatedAnnealing)12物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第12頁!1、基本概念模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法。遺傳算法13物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第13頁!式中，為決策變量，f(X)為目標(biāo)函數(shù)，U是基本空間，R是U的一個子集。遺傳算法中，將n維決策向量用n個記號所組成的符號串X來表示：遺傳算法14物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第14頁!這種編碼所形成的排列形式X是個體的基因型，與它對應(yīng)的X值是個體的表現(xiàn)型。染色體X也稱為個體X，對于每一個個體X，要按照一定的規(guī)則確定出其適應(yīng)度。個體的適應(yīng)度與其對應(yīng)的個體表現(xiàn)型X的目標(biāo)函數(shù)值相關(guān)聯(lián)，X越接近于目標(biāo)函數(shù)的最優(yōu)點(diǎn)，其適應(yīng)度越大；反之，其適應(yīng)度越小。遺傳算法15物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第15頁! 與生物一代一代的自然進(jìn)化過程相似，遺傳算法的運(yùn)算過程也是一個反復(fù)迭代過程，第t代群體記做P(t),經(jīng)過一代遺傳和進(jìn)化后，得到第t+1代群體，它們也是由多個個體組成的集合，記做P(t+1)。這個群體不斷地經(jīng)過遺傳和進(jìn)化操作，并且每次都按照優(yōu)勝劣汰的規(guī)則將適應(yīng)度較高的個體更多地遺傳到下一代，這樣最終在群體中將會得到一個優(yōu)良的個體X，它所對應(yīng)的表現(xiàn)型X將達(dá)到或接近于問題的最優(yōu)解。遺傳算法16物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第16頁!選擇(selection):根據(jù)各個個體的適應(yīng)度，按照一定的規(guī)則或方法，從第t代群體P(t)中選擇出一些優(yōu)良的個體遺傳到下一代群體P(t+1)中。交叉(crossover):將群體P(t)內(nèi)的各個個體隨機(jī)搭配成對，對每一個個體，以某個概率(稱為交叉概率，crossoverrate)交換它們之間的部分染色體。

遺傳算法17物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第17頁!3、特點(diǎn) 遺傳算法是一類可用于復(fù)雜系統(tǒng)優(yōu)化計算的魯棒搜索算法，與其他一些優(yōu)化算法相比，主要有下述幾個特點(diǎn)：遺傳算法以決策變量的編碼作為運(yùn)算對象。傳統(tǒng)的優(yōu)化算法往往直接利用決策變量的實(shí)際值本身進(jìn)行優(yōu)化計算，但遺傳算法不是直接以決策變量的值，而是以決策變量的某種形式的編碼為運(yùn)算對象，從而可以很方便地引入和應(yīng)用遺傳操作算子。

遺傳算法18物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第18頁!遺傳算法同時進(jìn)行解空間的多點(diǎn)搜索。傳統(tǒng)的優(yōu)化算法往往從解空間的一個初始點(diǎn)開始搜索，這樣容易陷入局部極值點(diǎn)。遺傳算法進(jìn)行群體搜索，而且在搜索的過程中引入遺傳運(yùn)算，使群體又可以不斷進(jìn)化。這些是遺傳算法所特有的一種隱含并行性。

遺傳算法19物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第19頁!3、應(yīng)用遺傳算法提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問題的通用框架，它不依賴于問題的具體領(lǐng)域，對問題的種類有很強(qiáng)的魯棒性，所以廣泛應(yīng)用于很多學(xué)科。下面列舉一些遺傳算法的主要應(yīng)用領(lǐng)域。遺傳算法20物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第20頁!生產(chǎn)調(diào)度問題：生產(chǎn)調(diào)度問題在很多情況下所建立起來的數(shù)學(xué)模型難以精確求解，即使經(jīng)過一些簡化之后可以進(jìn)行求解也會因簡化得太多而使求解結(jié)果與實(shí)際相差太遠(yuǎn)。現(xiàn)在遺傳算法已經(jīng)成為解決復(fù)雜調(diào)度問題的有效工具。遺傳算法21物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第21頁!機(jī)器人學(xué)：機(jī)器人是一類復(fù)雜的難以精確建模的人工系統(tǒng)，而遺傳算法的起源就來自于對人工自適應(yīng)系統(tǒng)的研究，所以機(jī)器人學(xué)自然成為遺傳算法的一個重要應(yīng)用領(lǐng)域。遺傳算法22物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第22頁!人工生命：人工生命是用計算機(jī)、機(jī)械等人工媒體模擬或構(gòu)造出的具有自然生物系統(tǒng)特有行為的人造系統(tǒng)。。自組織能力和自學(xué)習(xí)能力是人工生命的兩大重要特征。人工生命與遺傳算法有著密切的關(guān)系，基于遺傳算法的進(jìn)化模型是研究人工生命現(xiàn)象的重要理論基礎(chǔ)。遺傳算法23物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第23頁!4、基本遺傳算法基本遺傳算法（SimpleGeneticAlgorithms,簡稱SGA）是一種統(tǒng)一的最基本的遺傳算法，它只使用選擇、交叉、變異這三種基本遺傳算子，其遺傳進(jìn)化操作過程簡單，容易理解，是其他一些遺傳算法的雛形和基礎(chǔ)，它不僅給各種遺傳算法提供了一個基本框架，同時也具有一定的應(yīng)用價值。遺傳算法24物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第24頁!②個體適應(yīng)度評價?；具z傳算法按與個體適應(yīng)度成正比的概率來決定當(dāng)前群體中每個個體遺傳到下一代群體中的機(jī)會多少。為正確計算這個概率，這里要求所有個體的適應(yīng)度必須為正數(shù)或零。③遺傳算子?；具z傳算法使用下述三種遺傳算子：選擇運(yùn)算使用比例選擇算子，交叉運(yùn)算使用單點(diǎn)交叉算子，變異運(yùn)算使用基本位變異算子或均勻變異算子。遺傳算法25物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第25頁!⑤基本遺傳算法的形式化定義基本遺傳算法可定義為一個8元組：

遺傳算法26物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第26頁!⑵基本遺傳算法的實(shí)現(xiàn)①個體適應(yīng)度評價在遺傳算法中，以個體適應(yīng)度的大小來確定該個體被遺傳到下一代群體中的概率。個體適應(yīng)度越大，該個體被遺傳到下一代的概率也越大；反之，個體的適應(yīng)度越小，該個體被遺傳到下一代的概率也越小?；具z傳算法使用比例選擇算子來確定群體中各個個體遺傳到下一代群體中的數(shù)量。為正確計算不同情況下各個個體的遺傳概率，要求所有個體的適應(yīng)度必須為正數(shù)或零，不能是負(fù)數(shù)。

遺傳算法27物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第27頁!式中，為一個適當(dāng)?shù)叵鄬Ρ容^小的數(shù)，它可用下面幾種方法之一來選取:預(yù)先指定的一個較小的數(shù)；進(jìn)化到當(dāng)前代為止的最小目標(biāo)函數(shù)值；當(dāng)前代或最近幾代群體中的最小目標(biāo)值。遺傳算法28物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第28頁!③單點(diǎn)交叉算子單點(diǎn)交叉算子是最常用和最基本的交叉操作算子。單點(diǎn)交叉算子的具體執(zhí)行過程如下：對群體中的個體進(jìn)行兩兩隨機(jī)配對；對每一對相互配對的個體，隨機(jī)設(shè)置某一基因座之后的位置為交叉點(diǎn)；對每一對相互配對的個體，依設(shè)定的交叉概率在其交叉點(diǎn)處相互交換兩個個體的部分染色體，從而產(chǎn)生出兩個新個體。

遺傳算法29物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第29頁!⑶遺傳算法的應(yīng)用步驟遺傳算法提供了一種求解復(fù)雜系統(tǒng)優(yōu)化問題的通用框架。對于具體問題，可按下述步驟來構(gòu)造：①確定決策變量及其各種約束條件，即確定出個體的表現(xiàn)型X和問題的解空間；②建立優(yōu)化模型，即描述出目標(biāo)函數(shù)的類型及其數(shù)學(xué)描述形式或量化方法；

遺傳算法30物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第30頁!⑥設(shè)計遺傳算子，即確定出選擇運(yùn)算、交叉運(yùn)算、變異運(yùn)算等遺傳算子的具體操作方法；⑦確定遺傳算法的有關(guān)運(yùn)行參數(shù)，即確定出遺傳算法的等參數(shù)。遺傳算法31物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第31頁!5、免疫遺傳算法基于免疫的改進(jìn)遺傳算法，是免疫原理與傳統(tǒng)遺傳算法的結(jié)合。算法的核心在于免疫算子的構(gòu)造，而免疫算子又是通過接種疫苗和免疫選擇兩個步驟完成的。在理論上，免疫算法是概率1收斂的。遺傳算法32物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第32頁!33物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第33頁!34物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第34頁!1、基本思想是對局部鄰域搜索的一種擴(kuò)展，是一種全局逐步尋優(yōu)算法。其最重要的思想是標(biāo)記對應(yīng)已搜索到的局部最優(yōu)解的一些對象，并在進(jìn)一步的迭代搜索中盡量避開這些對象（而不是絕對禁止循環(huán)），從而保證對不同的有效搜索途徑的探索。禁忌搜索算法(TabuSearch)35物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第35頁!(5)判斷候選解對應(yīng)的各對象的禁忌屬性，選擇候選解集合中非禁忌對象對應(yīng)的最佳狀態(tài)為新的當(dāng)前解，同時，用與之對應(yīng)的禁忌對象替換最早進(jìn)入禁忌表的禁忌對象元素。(6)轉(zhuǎn)步驟(2)#注：1)其中，鄰域函數(shù)、禁忌對象、禁忌表和藐視準(zhǔn)則構(gòu)成了禁忌搜索算法的關(guān)鍵。2)對于鄰域函數(shù)，沿用局部鄰域搜索的思想，用于實(shí)現(xiàn)鄰域搜索；

3)禁忌表和禁忌對象的設(shè)置，體現(xiàn)了算法避免迂回搜索的特點(diǎn)；

4)藐視準(zhǔn)則，則是對優(yōu)良狀態(tài)的獎勵，它是對禁忌策略的一種放松。禁忌搜索算法(TabuSearch)36物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第36頁!2、算法(1)一群螞蟻隨機(jī)從出發(fā)點(diǎn)出發(fā)，遇到食物，銜住食物，沿原路返回(2)螞蟻在往返途中，在路上留下外激素標(biāo)志(3)外激素將隨時間逐漸蒸發(fā)（一般可用負(fù)指數(shù)函數(shù)來描述，即乘上因子e-at）(4)由蟻穴出發(fā)的螞蟻,其選擇路徑的概率與各路徑上的外激素濃度成正比注：利用同樣原理可以描述蟻群進(jìn)行多食物源的尋食情況螞蟻算法37物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第37頁!第三章搜索技術(shù)(3)螞蟻清除垃圾螞蟻能將巢里的垃圾或死螞蟻,打掃成幾大堆給以清除

?一群螞蟻隨機(jī)出發(fā),遇到垃圾,就將其拉走（方向也是隨機(jī)的）

?拉垃圾時,若碰到某一堆垃圾時,就放下

?放下垃圾后,再隨時機(jī)進(jìn)行打掃工作……38物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第38頁!2、物理退火過程和Metropolis準(zhǔn)則簡單而言，物理退火過程由以下三部分組成：⑴加溫過程。其目的是增強(qiáng)粒子的熱運(yùn)動，使其偏離平衡位置。當(dāng)溫度足夠高時，固體將溶解為液體，從而消除系統(tǒng)原先可能存在的非均勻態(tài)，使隨后進(jìn)行的冷卻過程以某一平衡態(tài)為起點(diǎn)。溶解過程與系統(tǒng)的熵增過程聯(lián)系，系統(tǒng)能量也隨溫度的升高而增大。模擬退火算法(SimulatedAnnealing)39物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第39頁!Metropolis等在1953年提出了重要性采樣法，即以概率接受新狀態(tài)。具體而言，在溫度t,由當(dāng)前狀態(tài)i產(chǎn)生新狀態(tài)j，兩者的能量分別為，若則接受新狀態(tài)j為當(dāng)前狀態(tài)；否則，若概率大于區(qū)間內(nèi)的隨機(jī)數(shù)則仍舊接受新狀態(tài)j為當(dāng)前狀態(tài)，若不成立則保留i為當(dāng)前狀態(tài)，其中k為Boltzmann常數(shù)。模擬退火算法(SimulatedAnnealing)40物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第40頁!2、算法步驟標(biāo)準(zhǔn)模擬退火算法的一般步驟可描述如下：⑴給定初溫，隨機(jī)產(chǎn)生初始狀態(tài)，令；⑵Repeat:①Repeat產(chǎn)生新狀態(tài)；模擬退火算法(SimulatedAnnealing)41物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第41頁!3、算法關(guān)鍵參數(shù)和操作的設(shè)定從算法流程上看，模擬退火算法包括三函數(shù)兩準(zhǔn)則，即狀態(tài)產(chǎn)生函數(shù)、狀態(tài)接受函數(shù)、溫度更新函數(shù)、內(nèi)循環(huán)終止準(zhǔn)則和外循環(huán)終止準(zhǔn)則，這些環(huán)節(jié)的設(shè)計將決定SA算法的優(yōu)化性能。此外，初溫的選擇對SA算法性能也有很大影響。模擬退火算法(SimulatedAnnealing)42物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第42頁!⑵狀態(tài)接受函數(shù)狀態(tài)接受函數(shù)一般以概率的方式給出，不同接受函數(shù)的差別主要在于接受概率的形式不同。設(shè)計狀態(tài)接受概率，應(yīng)該遵循以下原則：①在固定溫度下，接受使目標(biāo)函數(shù)值下降的候選解的概率要大于使目標(biāo)值上升的候選解的概率；模擬退火算法(SimulatedAnnealing)43物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第43頁!⑶初溫初始溫度、溫度更新函數(shù)、內(nèi)循環(huán)終止準(zhǔn)則和外循環(huán)終止準(zhǔn)則通常被稱為退火歷程(annealingschedule)。實(shí)驗(yàn)表明，初溫越大，獲得高質(zhì)量解的幾率越大，但花費(fèi)的計算時間將增加。因此，初溫的確定應(yīng)折衷考慮優(yōu)化質(zhì)量和優(yōu)化效率，常用方法包括：模擬退火算法(SimulatedAnnealing)44物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第44頁!⑷溫度更新函數(shù)溫度更新函數(shù)，即溫度的下降方式，用于在外循環(huán)中修改溫度值。目前，最常用的溫度更新函數(shù)為指數(shù)退溫函數(shù)，即，其中且其大小可以不斷變化。模擬退火算法(SimulatedAnnealing)45物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第45頁!而在時齊SA算法理論中，收斂條件要求在每個溫度下產(chǎn)生候選解的數(shù)目趨于無窮大，以使相應(yīng)的馬氏鏈達(dá)到平穩(wěn)概率分布，顯然在實(shí)際應(yīng)用算法時這是無法實(shí)現(xiàn)的。常用的抽樣準(zhǔn)則包括：①檢驗(yàn)?zāi)繕?biāo)函數(shù)的均值是否穩(wěn)定；②連續(xù)若干步的目標(biāo)值變化較??；③按一定的步數(shù)抽樣。

模擬退火算法(SimulatedAnnealing)46物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第46頁!小結(jié)由于算法的一些環(huán)節(jié)無法在實(shí)際設(shè)計算法時實(shí)現(xiàn)，因此SA算法往往得不到全局最優(yōu)解，或算法結(jié)果存在波動性。目前，SA算法參數(shù)的選擇仍依賴于一些啟發(fā)式準(zhǔn)則和待求問題的性質(zhì)。SA算法的通用性很強(qiáng)，算法易于實(shí)現(xiàn)，但要真正取得質(zhì)量和可靠性高、初值魯棒性好的效果，克服計算時間較長、效果較低的缺點(diǎn)，并適用于規(guī)模較大的問題，尚需進(jìn)行大量的研究工作。47物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第47頁!2、基本思想對于一個求函數(shù)最大值的優(yōu)化問題，一般可描述為下述數(shù)學(xué)規(guī)劃模型：

遺傳算法48物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第48頁!把每一個看作一個遺傳基因，它的所有可能取值稱為等位基因，這樣，X就可看作是由n個遺傳基因所組成的一個染色體。染色體的長度可以是固定的，也可以是變化的。等位基因可以是一組整數(shù)，也可以是某一范圍內(nèi)的實(shí)數(shù)值，或者是記號。最簡單的等位基因是由0和1這兩個整數(shù)組成的，相應(yīng)的染色體就可表示為一個二進(jìn)制符號串。遺傳算法49物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第49頁!遺傳算法中，決策變量X組成了問題的解空間。對問題最優(yōu)解的搜索是通過對染色體X的搜索過程來進(jìn)行的，從而由所有的染色體X就組成了問題的搜索空間。 生物的進(jìn)化是以集團(tuán)為主體的。與此相對應(yīng)，遺傳算法的運(yùn)算對象是由M個個體所組成的集合，稱為群體。遺傳算法50物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第50頁! 生物的進(jìn)化過程主要是通過染色體之間的交叉和染色體的變異來完成的。遺傳算法中最優(yōu)解的搜索過程也模仿生物的這個進(jìn)化過程，使用所謂的遺傳算子(geneticoperators)作用于群體P(t)中，進(jìn)行下述遺傳操作，從而得到新一代群體P(t+1)。遺傳算法51物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第51頁!變異(mutation):對群體P(t)中的每一個個體，以某一概率(稱為變異概率，mutationrate)改變某一個或一些基因座上基因值為其它的等位基因。遺傳算法52物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第52頁!遺傳算法直接以目標(biāo)函數(shù)值作為搜索信息。傳統(tǒng)的優(yōu)化算法往往不只需要目標(biāo)函數(shù)值，還需要目標(biāo)函數(shù)的導(dǎo)數(shù)等其它信息。這樣對許多目標(biāo)函數(shù)無法求導(dǎo)或很難求導(dǎo)的函數(shù)，遺傳算法就比較方便。遺傳算法53物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第53頁!遺傳算法使用概率搜索技術(shù)。遺傳算法屬于一種自適應(yīng)概率搜索技術(shù)，其選擇、交叉、變異等運(yùn)算都是以一種概率的方式來進(jìn)行的，從而增加了其搜索過程的靈活性。實(shí)踐和理論都已證明了在一定條件下遺傳算法總是以概率1收斂于問題的最優(yōu)解。

遺傳算法54物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第54頁!組合優(yōu)化：遺傳算法是尋求組合優(yōu)化問題滿意解的最佳工具之一，實(shí)踐證明，遺傳算法對于組合優(yōu)化問題中的NP完全問題非常有效。遺傳算法55物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第55頁!自動控制：遺傳算法已經(jīng)在自動控制領(lǐng)域中得到了很好的應(yīng)用，例如基于遺傳算法的模糊控制器的優(yōu)化設(shè)計、基于遺傳算法的參數(shù)辨識、基于遺傳算法的模糊控制規(guī)則的學(xué)習(xí)、利用遺傳算法進(jìn)行人工神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)優(yōu)化設(shè)計和權(quán)值學(xué)習(xí)等。遺傳算法56物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第56頁!圖象處理：圖像處理是計算機(jī)視覺中的一個重要研究領(lǐng)域。在圖像處理過程中，如掃描、特征提取、圖像分割等不可避免地存在一些誤差，這些誤差會影響圖像處理的效果。如何使這些誤差最小是使計算機(jī)視覺達(dá)到實(shí)用化的重要要求，遺傳算法在這些圖像處理中的優(yōu)化計算方面得到了很好的應(yīng)用。

遺傳算法57物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第57頁!機(jī)器學(xué)習(xí)：基于遺傳算法的機(jī)器學(xué)習(xí)，在很多領(lǐng)域中都得到了應(yīng)用。例如基于遺傳算法的機(jī)器學(xué)習(xí)可用來調(diào)整人工神經(jīng)網(wǎng)絡(luò)的連接權(quán)，也可以用于人工神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化設(shè)計。遺傳算法58物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第58頁!⑴

基本遺傳算法的構(gòu)成要素①染色體編碼方法?；具z傳算法使用固定長度的二進(jìn)制符號串來表示群體中的個體，其等位基因是由二值符號集{0，1}所組成的。初始群體中各個個體的基因值可用均勻分布的隨機(jī)數(shù)來生成。

遺傳算法59物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第59頁!④基本遺傳算法的運(yùn)行參數(shù)?；具z傳算法有下述4個運(yùn)行參數(shù)需要提前設(shè)定：群體大小M，即群體中所含個體數(shù)目，一般取為20~100；遺傳運(yùn)算的終止進(jìn)化代數(shù)T，一般取為100~500；交叉概率Pc，一般取為0.4~0.99；變異概率Pm，一般取為0.0001~0.1。

遺傳算法60物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第60頁!C---個體的編碼方法；E---個體適應(yīng)度評價函數(shù)；P0---初始群體；M---群體大?。沪?--選擇算子；Ψ---變異算子；Γ---交叉算子；T---遺傳運(yùn)算終止條件。

遺傳算法61物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第61頁!為滿足適應(yīng)度取非負(fù)值的要求，基本遺傳算法一般采用下面兩種方法之一將目標(biāo)函數(shù)值變換為個體的適應(yīng)度。方法一：對于目標(biāo)函數(shù)是求極大化，方法為：

遺傳算法62物流系統(tǒng)的智能優(yōu)化方法共73頁，您現(xiàn)在瀏覽的是第62頁!②比例選擇算子比例選擇實(shí)際上是一種有退還隨機(jī)選擇,也叫做賭盤(RouletteWheel)選擇,因?yàn)檫@種選擇方式與賭博中的賭盤操作原理非常相似。比例選擇算子的具體執(zhí)行過程是：先計算出群體中所有個體的適應(yīng)度之和；其次計算出每個個體的相對適應(yīng)度的大小，此值即為各個個體被遺傳到下一代群體中的概率；最后再使用模擬賭盤操作（即0到1之間的隨機(jī)數(shù)）來確定各個個體被選中的次數(shù)。

遺