白银时代的博客

蜂群算法的核心思想其实是观察蜂跟随采蜜蜂在蜜源周围的采蜜过程，蜜蜂之间如何转换，按照何种策略从侦查蜂中选择采蜜蜂等等，对算法的性能和结果影响都不大。基于此，作者完成了较为简单明了的python实现方法。

文章目录一、概述二、算法原理2.1 模拟捕食2.2 启示2.3 算法流程三、python实现3.1 构建目标函数3.2 算法实现一、概述  粒子群优化算法(Particle Swarm optimization,PSO)又翻译为粒子群算法、微粒群算法、或微粒群优化算法。是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。通常认为它是群集智能 (Swarm intelligence, SI) 的一种。它可以被纳入多主体优化系统(Multiagent Optimization System

文章目录一、概述二、算法原理三、python实现3.1 构建目标函数3.2 构建目标函数四、Tips一、概述  模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如机器学习、神经网络、信号处理等领域。二、算法原理  模拟退火算法的思想借鉴于固体的退火原理，当固体的温度很高的时候，内能比较大，固体的内部粒子处于快速无序运动，当温度慢慢降低的过程中，固体的内能减小，粒子的慢慢趋于有序，最终，当固体处于常温时，内能达到最小，此时，粒子最为稳定。模拟退火

文章目录一、概述二、案例实现2.1 案例说明2.2 进化差分算法原理2.3 代码实现三、Tips一、概述  上一篇文章中，脚本编程法虽然可以很深入到进化算法的每个步骤，但代码量确实是太大了。虽然它也具备一定的通用性，比如当需要求解另一个优化问题时，可以通过修改aim()目标函数以及修改变量范围设置等来适应新的问题，但会比较容易出错。此外，上述编程脚本所实现的仅仅是简单的带精英保留的遗传算法，当需要修改算法、采用新的更好的进化算法进行问题的求解时，所需要改动的代码就非常大了。因此，更好、更简便的方式是采用

文章目录一、概述二、基本流程三、基本流程四、Tips一、概述  在Geatpy上有3种基本的方法来求解问题：  1. 直接使用工具箱提供的库函数，通过编写脚本来实现进化算法并且求解问题。  2. 使用Geatpy提供的面向对象进化算法框架，利用内置的算法模板求解问题。  3. 使用Geatpy提供的面向对象进化算法框架，通过自定义进化算法模板实现进化算法并且求解问题。  本章将先介绍如何使用第一种方法。二、基本流程  脚本编程法是Geatpy最原生、最基础的使用方式。它通过直接调用工具箱的库