qq_44865735的博客

算法背景灰狼优化算法(GWO)，由澳大利亚格里菲斯大学学者 Mirjalili 等人于2014年提出来的一种群智能优化算法。灵感来自于灰狼群体捕食行为。优点：较强的收敛性能，结构简单、需要调节的参数少，容易实现，存在能够自适应调整的收敛因子以及信息反馈机制，能够在局部寻优与全局搜索之间实现平衡，因此在对问题的求解精度和收敛速度方面都有良好的性能。应用：车间调度、参数优化、图像分类算法思想灰狼群体中有严格的等级制度，一小部分拥有绝对话语权的灰狼带领一群灰狼向猎物前进。灰狼群一般分为4个等级

算法背景模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis[1]等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在求解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。...

算法背景遗传算法（Genetic Algorithm，GA），美国的 John holland于20世纪70年代提出，是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程（优胜虐汰机制）的计算模型，是一种通过模拟自然进化过程搜索自适应搜索全局最优解的启发式算法。常应用于组合优化、机器学习、信号处理、自适应控制、生产计划、图像处理、机器人和人工生命等领域。优点：在求解较为复杂的组合优化问题时，通常能够较快地获得较好的优化结果 具有内在的隐并行性和更好的全局寻优能力（遗传算法从串集开始搜索，

目的：有若干个备选方案，而且每个方案都有自己的潜力分值，但是在选择的时候并不完全按照分值的高低来选，而是有一定的概率接受，分值高的接受概率高，分值较低接受的概率也低。思想：各个个体的选择概率和其适应度值成比例，适应度越大，选中概率也越大。但实际在进行轮盘赌选择时个体的选择往往不是依据个体的选择概率，而是根据“累积概率”来进行选择。引入“适应度”与“累积概率”的概念，其中每个部分被选中的概率与其适应度值成比例。设某一部分x(i)的适应度值表示为f(xi)，该部分被选中的概率为p(xi)，累积概

背景思路

先简单介绍一下粒子群优化算法（Particle Swarm Optimization），后边会介绍一些改进的粒子群算法。1.背景知识受到鸟群觅食行为的启发(鸟群觅食，通过信息共享使种群找到最优的觅食点)，由社会心理学家JamesKennedy和电气工程师RussellEberhart于1995年提出，用于解决科学工程领域的非线性，非凸性，组合优化问题；在函数优化，图像处理也有广泛的应用。粒子群优化算法是一种基于数值的优化算法，粒子群优化算法的基础是“信息共享”。具...

1.群智能优化算法：“群” 指的是自然界的群体，“智能” 指的是自然界的生物群体的生存和生活方式体现着一种智慧，“优化” 是一种数学问题，在既定约束下，对于某个目标寻找最优解决方案（最优值或得到最优值的最优参数），“算法” 即使用系统方法描述解决问题的策略机制，给定规范输入一定时间内获得所要求的输出。 核心含义：人们通过对一些自然中的生物群体行为特征（觅食、筑巢）的模仿，提出各种高效的优化算法。 寻优过程：通过设计一种无质量的粒子模拟动物群（事物群）中...