实验六 遗传算法与优化设计 一、实验目的 1. 了解遗传算法的基本原理和基本操作（选择、交叉、变异）； 2. 学习使用Matlab 中的遗传算法工具箱(gatool)来解决优化设计问题； 二、实验原理及遗传算法工具箱介绍 1. 一个优化设计例子 图1所示是用于传输微波信号的微带线(电极)的横截面结构示意图，上下两根黑条分别代表上电极和下电极，一般下电极接地，上电极接输入信号，电极之间是介质(如空气，陶瓷等)。微带电极的结构参数如图所示，W 、t 分别是上电极的宽度和厚度，D 是上下电极间距。当微波信号在微带线中传输时，由于趋肤效应，微带线中的电流集中在电极的表面，会产生较大的欧姆损耗。根据微带传输线理论，高频工作状态下（假定信号频率1GHz ），电极的欧姆损耗可以写成（简单起见，不考虑电极厚度造成电极宽度的增加）： 图1 微带线横截面结构以及场分布示意图 {} 28.6821ln 5020.942ln 20.942S W R W D D D t D W D D W W t D W W D e D D παπππ=+++-+++?????? ? ??? ??????????? ??????? (1) 其中πρμ0=S R 为金属的表面电阻率， ρ为电阻率。可见电极的结构参数影响着电极损耗，通过合理设计这些参数可以使电极的欧姆损耗做到最小，这就是所谓的最优化问题或者称为规划设计问题。此处设计变量有3个：W 、D 、t ，它们组成决策向量[W, D ,t ] T ，待优化函数(,,)W D t α称为目标函数。 上述优化设计问题可以抽象为数学描述： ()()min .. 0,1,2,...,j f X s t g X j p ????≤=? (2)
实验十遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算．1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： 序号遗传学概念遗传算法概念数学概念 1 个体要处理的基本对象、结构也就是可行解 2 群体个体的集合被选定的一组可行解 3 染色体个体的表现形式可行解的编码 4 基因染色体中的元素编码中的元素 5 基因位某一基因在染色体中的位置元素在编码中的位置 6 适应值个体对于环境的适应程度， 或在环境压力下的生存能力可行解所对应的适应函数值 7 种群被选定的一组染色体或个体根据入选概率定出的一组 可行解 8 选择从群体中选择优胜的个体， 淘汰劣质个体的操作保留或复制适应值大的可行解，去掉小的可行解 9 交叉一组染色体上对应基因段的 交换根据交叉原则产生的一组新解 10 交叉概率染色体对应基因段交换的概 率（可能性大小）闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异染色体水平上基因变化编码的某些元素被改变
应该在肩膀上长着自己的脑袋 ——读列宁的《帝国主义是资本主义的最高阶段》 一、为什么选择这本书？ 在阅读本书之前，我大体翻阅了一下《马克思为什么是对的》的前四个观点， 伊格尔顿的论证方式实在不能令我满意，虽说伊格尔顿的语言诚然是酣畅浅白，通俗易懂，但他对一些重要的观点的论述并没有完全解释清楚，考虑到自己对马 克思主义的了解有限，因此并没有十足的把握判断伊格尔顿的辩驳是否忠实于马 克思的原著，于是我放弃了对《马克思为什么是对的》的进一步阅读，反过头来 阅读有大量数据资料为支撑的《帝国主义是资本主义的最高阶段》。 与《马克思为什么是对的》相比较，《帝国主义是资本主义的最高阶段》所 探讨的问题更为具体而详实，而资本主义目前的生存状况和它即将何去何从也正 是我现阶段最为关注和感兴趣的话题。 二、读书笔记 《帝国主义是资本主义的最高阶段》这本书分为十个章节，依次为1.生产 集中和垄断、2.银行和银行的新作用、3.金融资本和金融寡头、4.资本输出、5. 资本家同盟瓜分世界、6.大国瓜分世界、7.帝国主义是资本主义的特殊阶段、8. 资本主义的寄生性和腐朽、9.对帝国主义的批判、10.帝国主义的历史地位，在单 独阅读每个章节的时候，我各自产生了一些感悟与疑问，接下来我会首先针对每 个章节的内容谈一下自己的理解以及疑惑之处，之后会总结一下这本书带给我的 感受最为深刻的地方，并针对一些社会现实问题给出自己并不成熟的看法和意见。 (一)生产集中和垄断 翻开本书的第一章，我首先惊叹的是列宁充分利用各项统计数字的能力，他 通过对各项重要统计数据的整理和对比，使得资本主义自由平等光环下的种种不 合理趋势暴露无遗。例如列宁在文章的第三段中讲到，“不到1%的企业，占有 总数3/4以上的蒸汽力和电力，而297万个小企业（占总数91%），却仅占有7% 的蒸汽力和电力。”这一强烈地对比反差使得资本主义生产方式下的生产资料分 配的不合理性真实地展现在读者面前，足以一言惊醒梦中人，让那些仍对资本主 义抱有美好幻想的可怜人重新审视资本主义，进而清醒的认识到资本主义的不平 衡本质。 在这一章中作者想着重向读者阐明的一点是，“生产集中发展到一定的阶段 就自然而然的走到垄断”，在这一点上，作者给出了两个原因“一方面，几十个 大型企业之间容易达成协议；另一方面，正是企业的规模巨大造成了竞争的困难，产生了垄断的趋势。”之后，作者以欧美等主要资本主义国家的发展历史出发，
基于遗传算法的参数优化估算模型 【摘要】支持向量机中参数的设置是模型是否精确和稳定的关键。固定的参数设置往往不能满足优化模型的要求，同时使得学习算法过于死板，不能体现出来算法的智能化优点，因此利用遗传算法（Genetic Algorithm，简称GA）对估算模型的参数进行优化，使得估算模型灵活、智能，更加符合实际工程建模的需求。 【关键词】遗传算法；参数优化；估算模型 1.引言 随着支持向量机估算模型在工程应用的不断深入。研究发现，支持向量机算法(包括LS-SVM算法)存在着一些本身不可避免的缺陷，最为突出的是参数的选取和优化问题，以往在参数选取方面，一般依靠专家系统或者设定初始值盲目搜寻等等，在实际应用必然会影响模型的精准度，造成一定影响。如何选取合理的参数成为支持向量机算法应用过程中应用中关注的问题，同时也是目前应用研究的重点。而常用的交叉验证试算的方法，不仅耗时，且搜索目的不清，使得资源浪费，耗时耗力。不能有效的对参数进行优化。 针对参选取的问题，本文使用GA算法对模型中的参数设置进行优化。 2.遗传算法 2.1 遗传算法的实施过程 遗传算法的实施过程中包括了编码、产生群体、计算适应度、复制、交换、变异等操作。图1详细的描述了遗传算法的流程。 其中，变量GEN是当前进化代数；N是群体规模；M是算法执行的最大次数。 遗传算法在参数寻优过程中，基于生物遗传学的基本原理，模拟自然界生物种群的“物竞天则，适者生存”的自然规律。把自变量看作生物体，把它转化成由基因构成的染色体（个体），把寻优的目标函数定义为适应度，未知函数视为生存环境，通过基因操作（如复制、交换和变异等），最终求出全局最优解。 2.2 GA算法的基本步骤 遗传算法操作的实施过程就是对群体的个体按照自然进化原则（适应度评估）施加一定的操作，从而实现模型中数据的优胜劣汰，使得进化过程趋于完美。从优化搜索角度出发，遗传算法可使问题的解，一代一代地进行优化，并逼近最优解。 通常采用的遗传算法的工作流程和结果形式有Goldberg提出的，常用的GA 算法基本步骤如下： ①选择编码策略，把参数集合X和域转换为位串结构空间S。常用的编码方法有二进制编码和浮点数编码。 ②定义合适的适应度函数，保证适应度函数非负。 ③确定遗传策略，包括选择群体大小，选择、交叉、变异方法，以及确定交叉概率、变异概率等其它参数。 ④随机初始化生成群体N，常用的群体规模：N＝20～200。 ⑤计算群体中个体位串解码后的适应值。 ⑥按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体。 ⑦判断群体性能是否满足某一个指标，或者以完成预订迭代次数，若满足则
第九章帝国主义基本特征 第一节帝国主义是垄断资本主义 一．生产集中和垄断成为经济生活主要内容 （一）自由竞争引起生产集中：1.剩余价值刺激自由竞争：为追逐最大限度剩余价值，资本家总是加强资本积累，引起资本聚集，扩大生产规模，采用先进技术，提高劳动生产率，降低生产成本。2.自由竞争引起资本集中：在竞争中大企业资本雄厚，技术先进，便于资本转移，总是排挤和并吞中小资本，使生产和资本集中到少数大资本家手中。3.信用是促进资本集中有力杠杆：（1）信用通过贷款形式加强大企业竞争能力，帮助他们打垮中小资本；（2）信用又促进分散中小资本集中起来，组成规模巨大股份公司。 （二）资本集中必然引起垄断：1.生产集中到一定阶段使垄断成为可能：生产集中程度不高时，各部门生产由成千上万中小企业分散进行，他们之间不容易达成协议；生产集中达到一定程度时，少数几个或几十个大企业掌握该部门产品生产或销售绝大部分，他们之间可以达成协议。2.生产集中到一定阶段使垄断成为必要：这些势均力敌大企业，为避免两败俱伤竞争损失，不得不谋求暂时妥协，共同控制某种原料来源、商品生产和销售市场。同时，生产高度集中，企业规模巨大，要想创办新企业与之竞争已不可能。 （三）生产力发展和资本积累必然造成两极分化：一极是资本家占有资本和财富的积累；一极是工人遭受奴役和贫困的积累。资本积累必然导致生产社会化程度大大提高，使资本主义基本矛盾尖锐激化，为资本主义灭亡准备物质条件。同时，资本积累必然为资本主义灭亡准备掘墓人。 （四）垄断成为经济生活主要内容；个别大资本家或资本家集团独占某种商品生产或销售绝大部分，各个垄断集团凭借垄断地位，可以控制他人商品生产规模，规定销售范围，操纵市场价格，确定利润分配，阻止其他资本家插手其控制部门和地区。 （五）垄断是帝国主义经济实质：帝国主义就是垄断资本主义，帝国主义其它特征都在垄断基础上发展起来。 二．金融资本形成和金融寡头操纵国家政权 （一）金融资本：生产资本与银行资本相互融合生成的新型资本形态。1.银行资本与工业资本相互依赖：它们之间业务往来十分频繁，工业企业亏损对银行资本具有重要影响，银行资本必须确切了解工业企业生产活动和经营状况，以便对其及时监督。2.银行资本与工业资本相互融合经济途径：（1）银行采用扩大或减少信贷办法，影响工业企业，决定工业企业命运；（2）银行通过购买工业企业股票、推销公司债券、创办工业企业、“整顿”或“改组”亏损企业，对工业企业广泛控制；（3）工业企业通过购买大银行股票或自己开办银行，把势力范围打入银行。3. 银行资本与工业资本相互融合组织形式：银行资本与工业资本实行
第四章 遗传算法与组合优化 4.1 背包问题（knapsack problem ） 4.1.1 问题描述 0/1背包问题：给出几个尺寸为S 1，S 2，…，S n 的物体和容量为C 的背包，此处S 1，S 2，…，S n 和C 都是正整数；要求找出n 个物件的一个子集使其尽可能多地填满容量为C 的背包。 数学形式： 最大化 ∑=n i i i X S 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 广义背包问题：输入由C 和两个向量C ＝(S 1，S 2，…，S n )和P ＝(P 1，P 2，…，P n )组成。设X 为一整数集合，即X ＝1，2，3，…，n ，T 为X 的子集，则问题就是找出满足约束条件∑∈≤T i i C X ，而使∑∈T i i P 获得最大的子集T ，即求S i 和P i 的下标子集。 在应用问题中，设S 的元素是n 项经营活动各自所需的资源消耗，C 是所能提供的资源总量，P 的元素是人们从每项经营活动中得到的利润或收益，则背包问题就是在资源有限的条件下，追求总的最大收益的资源有效分配问题。 广义背包问题可以数学形式更精确地描述如下： 最大化 ∑=n i i i X P 1 满足 ,1C X S n i i i ≤∑= n i X i ≤≤∈1},1,0{ 背包问题在计算理论中属于NP —完全问题，其计算复杂度为O (2n )，若允许物件可以部分地装入背包，即允许X ，可取从0.00到1.00闭区间上的实数，则背包问题就简化为极简单的P 类问题，此时计算复杂度为O (n )。
4.1.2 遗传编码 采用下标子集T 的二进制编码方案是常用的遗传编码方法。串T 的长度等于n(问题规模)，T i (1≤i ≤n )＝1表示该物件装入背包，T i ＝0表示不装入背包。基于背包问题有近似求解知识，以及考虑到遗传算法的特点（适合短定义距的、低阶的、高适应度的模式构成的积木块结构类问题），通常将P i ，S i 按P i /S i 值的大小依次排列，即P 1/S 1≥P 2/S 2≥…≥P n /S n 。 4.1.3 适应度函数 在上述编码情况下，背包问题的目标函数和约束条件可表示如下。 目标函数：∑==n i i i P T T J 1 )( 约束条件：C S T n i i i ≤∑=1 按照利用惩罚函数处理约束条件的方法，我们可构造背包问题的适应度函数f (T )如下式： f (T ) = J (T ) + g (T ) 式中g (T )为对T 超越约束条件的惩罚函数，惩罚函数可构造如下: 式中E m 为P i /S (1≤i ≤n )i 的最大值，β为合适的惩罚系数。 4.2 货郎担问题（Traveling Salesman Problem ——TSP ） 在遗传其法研究中，TSP 问题已被广泛地用于评价不同的遗传操作及选择机制的性能。之所以如此，主要有以下几个方面的原因： (1) TSP 问题是一个典型的、易于描述却难以处理的NP 完全（NP-complete ）问题。有效地 解决TSP 问题在可计算理论上有着重要的理论价值。 (2) TSP 问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。因此，快速、有效 地解决TSP 问题有着极高的实际应用价值。 (3) TSP 问题因其典型性已成为各种启发式的搜索、优化算法的间接比较标准，而遗传算法 就其本质来说，主要是处理复杂问题的一种鲁棒性强的启发式随机搜索算法。因此遗传算法在TSP 问题求解方面的应用研究，对于构造合适的遗传算法框架、建立有效的遗传操作以及有效地解决TSP 问题等有着多方面的重要意义。
一、属性选择： 1、理论知识： 见以下两篇文章： 数据挖掘中的特征选择算法综述及基于WEKA的性能比较_陈良龙 数据挖掘中约简技术与属性选择的研究_刘辉 2、weka中的属性选择 2.1评价策略（attribute evaluator） 总的可分为filter和wrapper方法，前者注重对单个属性进行评价，后者侧重对特征子集进行评价。 Wrapper方法有：CfsSubsetEval Filter方法有：CorrelationAttributeEval 2.1.1Wrapper方法： （1）CfsSubsetEval 根据属性子集中每一个特征的预测能力以及它们之间的关联性进行评估，单个特征预测能力强且特征子集内的相关性低的子集表现好。 Evaluates the worth of a subset of attributes by considering the individual predictive ability of each feature along with the degree of redundancy between them.Subsets of features that are highly correlated with the class while having low intercorrelation are preferred. For more information see: M.A.Hall(1998).Correlation-based Feature Subset Selection for Machine Learning.Hamilton,New Zealand. （2）WrapperSubsetEval Wrapper方法中，用后续的学习算法嵌入到特征选择过程中，通过测试特征
附录 程序1 当22111==c c ，5.12212==c c ，2.1=w 。 a)%主函数源程序（main.m ） %------基本粒子群算法 （particle swarm optimization ） %------名称： 基本粒子群算法 %------初始格式化 clear all ; %清除所有变量 clc; %清屏 format long ; %将数据显示为长整形科学计数 %------给定初始条条件------------------ N=40; %3初始化群体个数 D=10; %初始化群体维数 T=100; %初始化群体最迭代次数 c11=2; %学习因子1 c21=2; %学习因子2 c12=1.5; c22=1.5; w=1.2; %惯性权重 eps=10^(-6); %设置精度（在已知最小值的时候用） %------初始化种群个体（限定位置和速度）------------ x=zeros(N,D); v=zeros(N,D); for i=1:N for j=1:D x(i,j)=randn; %随机初始化位置 v(i,j)=randn; %随机初始化速度 end end %------显示群位置----------------------
figure(1) for j=1:D if(rem(D,2)>0) subplot((D+1)/2,2,j) else subplot(D/2,2,j) end plot(x(:,j),'b*');grid on xlabel('粒子') ylabel('初始位置') tInfo=strcat('第',char(j+48),'维'); if(j>9) tInfo=strcat('第',char(floor(j/10)+48),char(rem(j,10)+48),'维'); end title(tInfo) end %------显示种群速度 figure(2) for j=1:D if(rem(D,2)>0) subplot((D+1)/2,2,j) else subplot(D/2,2,j) end plot(x(:,j),'b*');grid on xlabel('粒子') ylabel('初始速度') tInfo=strcat('第,char(j+48),'维'); if(j>9) tInfo=strcat('第',char(floor(j/10)+48), char(rem(j,10)+48),'维); end title(tInfo) end figure(3)
《帝国主义是资本主义的最高阶段》是马克思《资本论》的继续和发展。这本书一共分为十章，分别是：一、生产集中和垄断，二、银行和银行的新作用，三、金融资本和金融寡头，四、资本输出，五、资本家瓜分世界，六、大国瓜分世界，七、帝国主义是资本主义的特殊阶段，八、资本主义的寄生性和腐朽性，九、对帝国主义的批评，十、帝国主义的历史地位。列宁在这部著作中，根据马克思主义基本原理，总结了《资本论》问世后半个世纪中资本主义的发展，指明资本主义已经发展到一个新的阶段——帝国主义阶段。列宁在序言中直接点明了，帝国主义是无产阶级社会革命的前夜，为社会主义革命在一国或数国首先取得胜利奠定了理论基础。对帝国主义基本经济特征所作的分析的基础上，列宁给帝国主义下了一个科学的定义：“帝国主义是发展到垄断组织和金融资本的统治已经确立、资本输出具有突出意义、国际托拉斯开始瓜分世界、一些最大的资本主义国家已把世界全部领土瓜分完毕这一阶段的资本主义。”在同时，列宁对卡尔.考茨基的帝国主义定义以及考茨基当时大力宣扬的超帝国主义论进行了批判。列宁从垄断这个帝国主义的经济实质出发，论证了帝国主义是寄生的或腐朽的资本主义。他在全书的结尾着重指出：“根据以上对帝国主义的经济实质的全部论述可以得出一个结论，即应当说帝国主义是过渡的资本主义，或者更确切些说，是垂死的资本主义”，同时列宁揭示了帝国主义的历史地位。 首先值得注意的是，19世纪末20世纪初，资本主义在其发展过程中暴露出新的特征，即生产的集中和资本的集中。当时的资产阶级经济学家与第二国际的理论家们都不能从整体上把握这些新特征，不了
解它们是整个制度的一部分，而是将它们割裂开来分析，这样势必对已经到来的资本主义新阶段——帝国主义阶段熟视无睹。正是由于他们把生产力高度集中化，才导致本来占国家数量不大的产业却拥有了国家多半的生产力，虽然这很大程度上提高了国家的生产力发展，但是同时会造成私有化的出现。每个资本家都想赚到更多的钱，所以就不断的改进生产并发展自身的经济。生产和资本的集中程度发展到这样的高度，造成了在经济生活中产生起决定作用的垄断组织。 资本主义的竞争发展，最终会形成垄断，资本主义的矛盾达到前所未有的尖锐化。资本主义进入帝国主义阶段，是“完全的社会化过渡的新的社会秩序”。但是有一点值得注意，竞争是商品经济的产物，垄断没有消灭商品经济，所以它不能消灭竞争。垄断实际上并没有消灭竞争，却是竞争的另一种形式。占据主导地位的垄断竞争包含了以下形式：垄断组织内部的竞争；垄断组织之间的竞争；垄断组织和被垄断组织的竞争。 第三章有关金融资本和金融寡头中的论述十分精彩，这一章主要围绕着帝国主义的“垄断”展开阐述。它主要说明了金融资本统治是如何建立起来的，最终形成这样一个“帝国”。金融资本是资本主义发展到最高阶段（即垄断阶段）的产物。随着资本主义的发展，生产资料越来越集中到少数的资本巨头手中，货币财富越来越被少数大银行所控制。列宁指出：“生产的集中由集中生长起来的垄断、银行和工业日益融合或者说长合在一起，这就是金融资本产生的历史和这一
多目标优化方法 基本概述 几个概念 优化方法 一、多目标优化基本概述 现今，多目标优化问题应用越来越广，涉及诸多领域。在日常生活和工程中，经常要求不只一项指标达到最优，往往要求多项指标同时达到最优，大量的问题都可以归结为一类在某种约束条件下使多个目标同时达到最优的多目标优化问题。例如：在机械加工时，在进给切削中，为选择合适的切削速度和进给量，提出目标：1）机械加工成本最低2）生产率低3）刀具寿命最长；同时还要满足进给量小于加工余量、刀具强度等约束条件。 多目标优化的数学模型可以表示为： X=[x1,x2,…,x n ]T----------n维向量 min F(X)=[f1(X),f2(X),…,f n(X)]T----------向量形式的目标函数s.t. g i(X)≤0,(i=1,2,…,m) h j(X)=0,(j=1,2,…,k)--------设计变量应满足的约束条件多目标优化问题是一个比较复杂的问题，相比于单目标优化问题，在多目标优化问题中，约束要求是各自独立的，所以无法直接比较任意两个解的优劣。
二、多目标优化中几个概念：最优解，劣解，非劣解。 最优解X*：就是在X*所在的区间D中其函数值比其他任何点的函数值要小即f(X*)≤f(X)，则X*为优化问题的最优解。 劣解X*：在D中存在X使其函数值小于解的函数值，即f(x)≤f(X*), 即存在比解更优的点。 非劣解X*：在区间D中不存在X使f(X)全部小于解的函数值f(X*). 如图：在[0,1]中X*=1为最优解 在[0,2]中X*=a为劣解 在[1,2]中X*=b为非劣解 多目标优化问题中绝对最优解存在可能性一般很小，而劣解没有意义，所以通常去求其非劣解来解决问题。
一．粒子群优化算法综述 1.6粒子群优化算法的参数设置 1.6.1粒子群优化算法的参数设置—种群规模N 种群规模N影响着算法的搜索能力和计算量： PSO对种群规模要求不高，一般取20-40就可以达到很好的求解效果，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。 1.6.2粒子的长度D 粒子的长度D由优化问题本身决定，就是问题解的长度。 粒子的范围R由优化问题本身决定，每一维可以设定不同的范围。 1.6.3最大速度Vmax决定粒子每一次的最大移动距离，制约着算法的探索和开发能力 Vmax的每一维一般可以取相应维搜索空间的10%-20%，甚至100% ，也有研究使用将Vmax按照进化代数从大到小递减的设置方案。 1.6.4惯性权重控制着前一速度对当前速度的影响，用于平衡算法的探索和开发能力 一般设置为从0.9线性递减到0.4，也有非线性递减的设置方案； 可以采用模糊控制的方式设定，或者在[0.5, 1.0]之间随机取值； 设为0.729的同时将c1和c2设1.49445，有利于算法的收敛。 1.6.5压缩因子限制粒子的飞行速度的，保证算法的有效收敛 Clerc0.729，同时c1和c2设为2.05 。 1.6.6加速系数c1和c2 加速系数c1和c2代表了粒子向自身极值pBest和全局极值gBest推进的加速权值。 c1和c2通常都等于2.0，代表着对两个引导方向的同等重视，也存在一些c1和c2不相等的设置，但其范围一般都在0和4之间。研究对c1和c2的自适应调整方案对算法性能的增强有重要意义。 1.6.7终止条件 终止条件决定算法运行的结束，由具体的应用和问题本身确定。将最大循环数设定为500，1000，5000，或者最大的函数评估次数，等等。也可以使用算法
多目标优化的求解方法 多目标优化(MOP)就是数学规划的一个重要分支,就是多于一个的数值目标函数在给定区域上的最优化问题。 多目标优化问题的数学形式可以描述为如下: 多目标优化方法本质就是将多目标优化中的各分目标函数,经处理或数学变换,转变成一个单目标函数,然后采用单目标优化技术求解。目前主要有以下方法: （1）评价函数法。常用的方法有:线性加权与法、极大极小法、理想点法。评价函数法的实质就是通过构造评价函数式把多目标转化为单目标。 (2)交互规划法。不直接使用评价函数的表达式,而就是使决策者参与到求解过程,控制优化的进行过程,使分析与决策交替进行,这种方法称为交互规划法。常用的方法有:逐步宽容法、权衡比替代法,逐次线性加权与法等。 (3)分层求解法。按目标函数的重要程度进行排序,然后按这个排序依次进行单目标的优化求解,以最终得到的解作为多目标优化的最优解。 而这些主要就是通过算法来实现的, 一直以来很多专家学者采用不同算法解决多目标优化问题, 如多目标进化算法、多目标粒子群算法与蚁群算法、模拟退火算法及人工免疫系统等。 在工程应用、生产管理以及国防建设等实际问题中很多优化问题都就是多目标优化问题, 它的应用很广泛。 1)物资调运车辆路径问题 某部门要将几个仓库里的物资调拨到其她若干个销售点去, 在制定调拨计划时一般就要考虑两个目标, 即在运输过程中所要走的公里数最少与总的运输费用最低, 这就是含有两个目标的优化问题。利用首次适配递减算法与标准蚁群算法对救灾物资运输问题求解, 求得完成运输任务的最少时间, 将所得结果进行了比较。 2)设计 如工厂在设计某种新产品的生产工艺过程时, 通常都要求产量高、质量好、成本低、消耗少及利润高等, 这就就是一个含有五个目标的最优化问题; 国防部门在设计导弹时, 要考虑导弹的射程要远、精度要最高、重量要最轻以及消耗燃料要最省等,这就就是一个含有四个目标的最优化问题。Jo等人将遗传算法与有限元模拟软件结合
第一节从自由竞争资本主义到垄断资本主义 教学目标与要求 学习和掌握资本主义从自由竞争发展到垄断的进程和垄断资本主义的发展趋势，科学认识国家垄断资本主义和经济全球化的本质。 教学要点 1、私人垄断资本主义的形成及特点 2、国家垄断资本主义的特点和实质 3、资本输出与垄断资本的国际扩张 4、经济全球化的表现及其后果 关键词 垄断资本主义经济全球化垄断利润国家垄断资本主义 教学过程 一、课堂导入 同以往任何社会一样，资本主义社会经历了产生、发展的过程，也必将有一个逐步衰亡、为新的社会所替代的过程。那么，第二次世界大战后资本主义又发生了一些怎样的新变化？如何认识资本主义的新变化，资本主义又是怎样从自由竞争资本主义到垄断资本主义，垄断资本主义又有怎样的发展，经济全球化又有怎样的表现及其后果，那么我们就带着这些问题来学习我们本节：从自由竞争资本主义到垄断资本主义。 二、新课讲解 1、资本主义从自由竞争到垄断 资本主义的发展经历了两个阶段：自由竞争资本主义和垄断资本主义。 （1）生产集中于垄断的形成 自由竞争引起生产集中和资本集中，生产集中和资本集中发展到一定阶段必然引起垄断，这是资本主义发展的客观规律。 那么生产集中、资本集中指的是什么呢？( 问题) 生产集中是指生产资料、劳动力和商品的生产日益集中于少数大企业的过程，其结果实大企业所占的比重不断增加。 资本主义是指大资本吞并小资本，或由许多小资本合并而成大资本的过程，其结果越来越多的资本为少数大资本家所支配。（例子：大鱼吃小鱼） 生产集中和资本集中式资本家追求剩余价值的结果。资本家为了追求更多的剩余价值，展开你死我活的竞争。而这种竞争往往是大企业战胜小企业，使生产和资本进一步集中。“集中发展到一定阶段，可以说就自然而然地走到垄断。” 那么垄断指的又是什么呢？垄断是指少数资本主义大企业，为了获得高额利润，通过相互协议或联合，对一个或几个部门商品的生产、销售和价格进行操纵和控制。 垄断产生的原因有哪些呢？可以归为三点 1当生产集中发展到想当高的程度，极少数企业就会联合起来，操纵和控制本部门的生产和销售，实行垄断，以获得高额利润。 2企业规模巨大，形成对竞争的限制，也会产生垄断 3激烈的竞争给竞争各方带来的损失越来越严重，为避免两败俱伤，企业之间会达成妥协，联合起来，实行垄断 垄断是通过一定的垄断组织形式实现的，它的形式多种多样，而且在各个国家、各个时期也不相同。 （2）垄断条件下竞争的特点
多目标优化方法 基本概述几个概念优化方法 一、多目标优化基本概述 现今，多目标优化问题应用越来越广，涉及诸多领域。在日常生活和工程中，经常要求不只一项指标达到最优，往往要求多项指标同时达到最优，大量的问题都可以归结为一类在某种约束条件下使多个目标同时达到最优的多目标优化问题。例如：在机械加工时，在进给切削中，为选择合适的切削速度和进给量，提出目标：1)机械加工 成本最低2)生产率低3)刀具寿命最长；同时还要满足进给量小于加工余量、刀具强度等约束条件。 多目标优化的数学模型可以表示为： X=[x i,x 2,…,x n ] T ---------------------------------- n 维向量 min F(X)=[f i(X),f 2(X),…,f n(X)] T- --------- 向量形式的目标 函数 s.t. g i(X) < 0,(i=1,2,…,m) h j (X)=0,(j=1,2,…,k) ------ 设计变量应满足的约 束条件 多目标优化问题是一个比较复杂的问题，相比于单目标优化问题，在 多目标优化问题中，约束要求是各自独立的，所以无法直接比较任意两个解的优劣。 二、多目标优化中几个概念：最优解，劣解，非劣解。 最优解X*:就是在乂所在的区间D中其函数值比其他任何点的函数值要小即f(X *) 如图：在［0,1］ 中 X*=1为最优解 在［0,2］ 中X*=a为劣解 在［1,2］ 中X*=b为非劣解 多目标优化问 题中绝对最优解存 在可能性一般很 小，而劣解没有 意义，所以通常去 求其非劣解来解决 问题。 三、多目标优化方法 多目标优化方法主要有两大类： 1)直接法：直接求出非劣解，然后再选择较好的解 将多目标优化问题转化为单目标优化问题。 2)间接法女口：主要目标法、统一目标法、功效系数法等。 将多目标优化问题转化为一系列单目标优化问题。女口：分层系列法等。 1、主要目标法 求解时从多目标中选择一个目标作为主要目标，而其他目标只需满足一定要求即可，因此可将这些目标转化成约束条件，也就是用约束条件的形式保证其他目标不致太差，这样就变成单目标处理方法。 例如：多目标函数f 1(X),f 2(X),.?…,f n(X)中选择f k(X)作为主 要目标，这时问题变为求min f k(x) D={x|f min < f i(X)< f ma》,D为解所对应的其他目标函数应满足上下限。 2、统一目标法 通过某种方法将原来多目标函数构造成一个新的目标函数，从而将多目标函数转变为单目标函数求解。 ①线性加权和法 根据各目标函数的重要程度给予相应的权数，然后各目标函数与 遗传算法与优化问题 （摘自：华东师范大学数学系；https://www.doczj.com/doc/f37959992.html,/） 一、问题背景与实验目的 二、相关函数（命令）及简介 三、实验内容 四、自己动手 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算． 1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）． （1）遗传算法中的生物遗传学概念 由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念． 首先给出遗传学概念、遗传算法概念和相应的数学概念三者之间的对应关系．这些概念如下： （2）遗传算法的步骤 遗传算法计算优化的操作过程就如同生物学上生物遗传进化的过程，主要有三个基本操作（或称为算子）：选择（Selection）、交叉（Crossover）、变异（Mutation）． 遗传算法基本步骤主要是：先把问题的解表示成“染色体”，在算法中也就是以二进制编码的串，在执行遗传算法之前，给出一群“染色体”，也就是假设的可行解．然后，把这些假设的可行解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉、变异过 多目标优化的求解方法 多目标优化（MOP）是数学规划的一个重要分支，是多于一个的数值目标函数在给定区域上的最优化问题。 多目标优化问题的数学形式可以描述为如下： 多目标优化方法本质是将多目标优化中的各分目标函数，经处理或数学变换，转变成一个单目标函数，然后采用单目标优化技术求解。目前主要有以下方法： （1）评价函数法。常用的方法有:线性加权和法、极大极小法、理想点法。评价函数法的实质是通过构造评价函数式把多目标转化为单目标。 （2）交互规划法。不直接使用评价函数的表达式，而是使决策者参与到求解过程，控制优化的进行过程，使分析和决策交替进行，这种方法称为交互规划法。常用的方法有：逐步宽容法、权衡比替代法，逐次线性加权和法等。 （3）分层求解法。按目标函数的重要程度进行排序，然后按这个排序依次进行单目标的优化求解，以最终得到的解作为多目标优化的最优解。 而这些主要是通过算法来实现的, 一直以来很多专家学者采用不同算法解决多目标优化问题, 如多目标进化算法、多目标粒子群算法和蚁群算法、模拟退火算法及人工免疫系统等。 在工程应用、生产管理以及国防建设等实际问题中很多优化问题都是多目标优化问题, 它的应用很广泛。 1)物资调运车辆路径问题 某部门要将几个仓库里的物资调拨到其他若干个销售点去, 在制定调拨计划时一般就要考虑两个目标, 即在运输过程中所要走的公里数最少和总的运输费用最低, 这是含有两个目标的优化问题。利用首次适配递减算法和标准蚁群算法对救灾物资运输问题求解, 求得完成运输任务的最少时间, 将所得结果进行了比较。 2)设计 如工厂在设计某种新产品的生产工艺过程时, 通常都要求产量高、质量好、成本低、消耗少及利润高等, 这就是一个含有五个目标的最优化问题; 国防部门在设计导弹时, 要考虑导弹的射程要远、精度要最高、重量要最轻以及消耗燃料要最省等,这就是一个含有四个目标的最优化问题。Jo等人将遗传算法与有限元模拟软件结合应用于汽车零件多工序冷挤压工艺的优化。Chung等人也成功应用遗传算法对锻件工艺进行了优化。 3)投资 假设某决策部门有一笔资金要分配给若干个建设项目, 在确定投资方案时, 决策者总希望做到投资少收益大。Branke等人采用基于信封的多目标进化算法成功地解决了计划投资地选择问题。 4)模拟移动床过程优化与控制 一个工业化模拟移动床正常运行时, 一般有七股物料进、出吸附塔, 其中起关键作用的物料口将作为决策量引起目标值的变化。根据实际生产要求通常包括生产率、产品纯度、吸附剂消耗量等多个目标。模拟移动床分离过程由于其过程操作变量的强耦合性、工艺机理的复杂性及分离性能的影响因素繁多性, 需要众多学者对其操作优化和过程控制进行深入的研究。Huang等人利用TPS 算法解决了模拟移动床多个冲突目标的最大最小的问题, 并与NSGA2 算法的结果进行了比较。吴献东等人运用粒子群算法开发出一种非线性模拟移动床( SMB )色谱分离过程的优化策略。 5)生产调度 在离散制造生产系统中, 一个工件一般经过一系列的工序加工完成, 每道工序需要特定机器和其他资源共同完成, 各工件在各机器上的加工顺序(称技术约束条件)通常是事先给定的。车间调度的作用 现代电子技术Modern Electronics Technique 2018年1月15日第41卷第2期Jan.2018Vol.41No.2 DOI ：10.16652/j.issn.1004-373x.2018.02.0310引言全局优化问题已经在科学、工程、商业等领域广泛存在。目前为止，研究者们已经提出多种进化算法解决 全局优化问题。进化算法的灵感来自自然进化，它通过 模拟生物种群不断调整适应环境变化的过程来探寻全局最优解，主流的进化算法如下所述。第一次由Hol- land 提出的遗传算法（GA ）并由Goldberg 研究与推广，然 而该算法由于其在解决大规模问题时计算复杂度较高而使用受限。粒子群优化算法（PSO ）[1]由Eberhart 和Kennedy 第一次提出，是一个典型的基于种群的进化算法，灵感来自鸟和鱼捕食的行为，该算法中每个个体代 基于殖民地位置信息的自适应帝国主义竞争算法 刘阿建，梁凤梅 （太原理工大学信息工程学院，山西太原 030024）摘要：在元启发式算法中，问题优化的质量取决于算法参数的精准设定，而参数的设定通常没有一个确定的标准，重 复实验又耗时耗力。偏离角度是帝国主义竞争算法（ICA ）中的一个重要参数，盲目选取可能会导致算法陷入局部最优解，出现早熟收敛现象。为了克服该缺陷，提出一种基于殖民地位置信息概率密度函数的自适应帝国主义竞争算法。在帝国主义者同化殖民地过程中，根据殖民地密度函数动态地调整其向帝国主义者运动的偏离角度，提高殖民地脱离局部最优解探寻全局最优解的能力。另一方面，帝国主义者通过及时掠取殖民地位置中的有用信息降低自己的成本函数，延伸了原算法中殖民地与帝国主义者位置互换的步骤，加快了算法的收敛速度。在一系列的基准函数测试中，所提算法在收敛速度和优化性能上均优于原ICA 和另外几种经典的遗传算法。 关键词：帝国主义竞争算法；同化政策；概率密度模型；偏离角度；殖民地位置；全局优化 中图分类号：TN911-34；TP391.4文献标识码：A 文章编号：1004-373X （2018）02-0124-06 Adaptive imperialist competitive algorithm based on colony location information LIU Ajian ，LIANG Fengmei （School of Information Engineering ，Taiyuan University of Technology ，Taiyuan 030024，China ）Abstract ：In the meta-heuristic algorithm ，the quality of problem optimization depends on the setting precision of algorithm parameters ，but there is no definitive standard for parameter setting ，and repeated trials consume time and strength.Deviation angle is an important parameter in imperialist competitive algorithm （ICA ），and blind selection tends to make the algorithm trapped into local optimal solution ，resulting in early convergence.To overcome this defect ，an adaptive imperialist competitive algorithm based on the probability density function of colony location information is proposed.In the colony assimilation process of imperialists ，the deviation angle that the colony moves to the imperialist is dynamically adjusted according to the density func-tion of the colony so as to improve the colony′s capability of separating from the local optimal solution and seeking for the global optimal solution.The imperialists reduce their cost functions by timely capturing useful colony location information ，which ex-tends the procedures of location interchange between colonies and imperialists in the original algorithm ，and speeds up the con-vergence of the algorithm.A series of benchmark function tests were carried out.The results show that the proposed algorithm has advantage in convergence speed and optimization performance in comparison to the original ICA and several other classical genetic algorithms.Keywords ：imperialist competitive algorithm ；absorption policy ；probability density model ；deviation angle ；colony loca- tion ；global optimization 收稿日期：2017-05-12修回日期：2017-07-20 基金项目：山西省基础研究项目自然科学基金（2013011017-3） Project Supported by Natural Science Foundation for Shanxi Basic Research （2013011017-3） 124万方数据遗传算法与优化问题
多目标优化的求解方法
基于殖民地位置信息的自适应帝国主义竞争算法
相关主题
文本预览