人工智能函数优化.docVIP

函数优化问题： 一 1 GA求函数最小值 1.1 用MATLAB中gatool求解最小值问题。 设适应度函数为目标函数 ，种群类型为双向量(Double Vector)，种群大小为20个个体，选择方式为随机一致(Stochastic uniform)， 复制的优良个体数目为2，交叉概率0.8，变异函数为高斯函数(Gaussian)，交叉函数为分散交叉函数(Scattered)。仿真结果如图22所示 图22 GA仿真结果 由图22可知，经过51次迭代达到最优解。在[-10,10]之间的最小值是-0.4533，此时(x,y)值为(0.9945,1.21725)，当迭代次数介于10与20之间时，最优值和平均值就差不多相等了 1.2 改变算法参数，研究其对优化性能的影响 改变变异函数，新的变异函数为一致函数（Uniform），结果如图23所示： 图23 Uniform变异函数的GA仿真结果 由图23所示目标函数平均值在[10，30]区间内有波动，而图22中的平均值没有波动，最优值都相同，取到最优解的(x,y)的值不同。 由于此题目标函数比较简单，基本参数设置已经达到最优，所以当改变算法参数时，算法依然是最优的。 PSO求函数最小值 2.1 用改进的PSO工具箱求函数最小值 设初始化种群规模为24个粒子，学习因子为[2,2]，采用通常的PSO算法，参数的每步迭代最大允许值为粒子长度的20%，仿真结果如图24所示 图24 PSO仿真结果 由图24所示，PSO做了2次迭代得到最优解为-0.543299，相应的（x,y）为（1.5407,0），在图24右上角的坐标图所示的是每次迭代时的点（x,y）所处的位置。 2.2 改变算法参数，研究其对优化性能的影响 改变参数的每步迭代最大允许值为粒子长度的10%，结果如图25所示 图25 参数改变后的PSO仿真结果 如图25所示，PSO算法变为Clerc Type 1。目标函数的最优解基本相同，不同的是，取到最优解的(x,y)的取值不同。 二 ， 1 GA求函数最小值 1.1 用MATLAB中gatool求解最小值问题。 设适应度函数为目标函数 ,种群类型为双向量(Double Vector)，种群大小为20个个体，选择方式为随机一致(Stochastic uniform)，复制的优良个体数目为2，交叉概率0.8，变异函数为一致函数(Uniform)，交叉函数为分散交叉函数(Scattered)。仿真结果如图26所示 图26 GA仿真结果 由图26可知，经过51次迭代达到最优解。在[-100,100]之间的最小值是0，此时(x1,x2)值为(0,0)，当迭代次数介于10与20之间时，最优值和平均值就差不多相等了。 PSO求函数最小值 2.1 用改进的PSO工具箱求函数最小值 设初始化种群规模为24个粒子，学习因子为[2,2]，采用通常的PSO算法，参数的每步迭代最大允许值为粒子长度的20%，仿真结果如图27所示 图27 PSO仿真图 由图27所示，PSO做了600多次迭代得到最优解为0，相应的（x1,x2）为（0,0），在图27右上角的坐标图所示的是每次迭代时的点（x1,x2）所处的位置。此处PSO迭代次数比GA多，这是PSO程序设计原因，不能说明PSO的速度比GA速度慢。 三 GA算法和PSO算法的比较 (1) 共同之处: 两者都随机初始化种群，而且都使用适应值来评价系统，并且都根据适应值来进行一定的随机有哪些信誉好的足球投注网站，两个系统都不是保证一定找到最优解 (2) 区别： ·PSO没有遗传操作如交叉、变异等，而是根据自己的速度来决定有哪些信誉好的足球投注网站。 ·粒子还有一个重要的特点，就是有记忆，而GA没有。 ·PSO的信息共享机制与GA也很不同，在GA中染色体互相共享信息，整个种群的移动是 比较平均的向最优区域移动，而在PSO中只有Gbest给出信息给其他的粒子，整个有哪些信誉好的足球投注网站更新过程是跟随当前最优解的过程。