智能优化算法原理与应用（智能优化算法原理与应用 李士勇 哈尔滨工业大学出版社）

大家好！今天让创意岭的小编来大家介绍下关于智能优化算法原理与应用的问题，以下是小编对此问题的归纳整理，让我们一起来看看吧。

开始之前先推荐一个非常厉害的Ai人工智能工具，一键生成原创文章、方案、文案、工作计划、工作报告、论文、代码、作文、做题和对话答疑等等

只需要输入关键词，就能返回你想要的内容，越精准，写出的就越详细，有微信小程序端、在线网页版、PC客户端

官网：https://ai.de1919.com。

创意岭作为行业内优秀的企业，服务客户遍布全球各地，如需了解SEO相关业务请拨打电话175-8598-2043，或添加微信：1454722008

本文目录:

• 1、算法优化有哪些主要方法和作用

• 2、智能优化算法：自私羊群优化算法

• 3、智能算法的智能算法概述

• 4、多目标智能优化算法及其应用的简介

一、算法优化有哪些主要方法和作用

优化算法有很多，关键是针对不同的优化问题，例如可行解变量的取值（连续还是离散）、目标函数和约束条件的复杂程度（线性还是非线性）等，应用不同的算法。

对于连续和线性等较简单的问题，可以选择一些经典算法，如梯度、Hessian

矩阵、拉格朗日乘数、单纯形法、梯度下降法等。

而对于更复杂的问题，则可考虑用一些智能优化算法，如遗传算法和蚁群算法，此外还包括模拟退火、禁忌搜索、粒子群算法等。

二、智能优化算法：自私羊群优化算法

@[toc]

摘要：自私羊群优化 （Selfish Herds optimization，SHO） 算法是由 Fausto 于 2017 年提出的元启发式算法。该算法主要模拟羊群受到捕食者攻击时的自私行为（尽量聚集到牧群中心远离捕食者），它具有易于理解和实施的特点。

SHO 算法它主要基于汉密尔顿提出的自私群理论来模拟猎物与捕食者之间的狩猎关系。当群体中的个体受到捕食者的攻击时，为了增加生存机会，群体中的个体产生聚集行为，个体更有可能移动到相对安

全的位置（群体的中心位置），并且群体的边缘个体更容易受到攻击，这也导致群体的边缘个体逃离群体，以增加他们被捕食者攻击时的生存机会。该方法假设整个平原是一个解空间，该算法包含两个不同的搜索因子：被狩猎群和狩猎群。每个搜索因子通过一组不同的进

化算子指导算法的计算，以便更好地模拟猎物与捕食者关系之间的关系。

假设自私羊群体优化算法的群体集合是 ，它包含 个种群个体，种群中的每一个体被定义为 ，其代表个体在种群中的位置信息，n 代表解决方案的大小。整个种群组的初始化公式如下：

其中 和 分别表示解空间的下限和上限。算法参数值的范围: 和 。 表示随机函数，生成值的范围落在区间[0,1]内。

在自私羊群优化算法中，整个种群 被分为两个子群： 和 代表一群猎物， 代表一群捕食者。在自然界中，猎物的数量通常多于捕食者的数量。在 SHO 中，猎物 的数量占总个体的 70%~90% ( ) ，其余的个体被认为是捕食者 ( ) 。 和 按以下公式计算:

其中， 表示一个随机数，其值范围为 0.7到 0.9， 表示将实数转换为整数的函数。

在 SHO 中，为整个种群 ( ) 的每个体 ( ) 分配一个生存值 ( ) ，其代表个体的生存能力，有机会在攻击中生存或成功杀死攻击中的猎物。生存价值的数学公式定义如下：

其中， 代表目标函数， 和 分别代表目标函数的最佳值和最差值。对 70%~90%的猎物计算生存价值，生存价值最高的为猎物领袖，生存价值越低的为最容易被捕获的猎物。

基于 SHO 的算法的结构主要包括四个方面：① 猎物（被捕食者）领袖的运动；② 猎物追随者的跟随运动或逃脱运动；③ 捕食者的狩猎运动；④ 捕食阶段和恢复阶段。

猎物的领导者被定义为猎物种群中最大的生存价值。定义公式如下：

猎物领袖的位置更新如下：

代表区间[0，1]之间的随机数， 越大，位置更新越快，捕获的猎物越多； 越小，捕获的猎物越少。 代表个体之间的吸引力， 代表猎物的相对危险位置， 与 定义如下:

在猎物种群中，猎物追随者分为跟随猎物 ( ) 和逃生猎物 ( ) ，跟随猎物又分为优势猎物 ( ) 和下属猎物 ( ) 。其定义如下：

其中 代表猎物生存价值的平均值，定义如下：

跟随猎物的位置更新公式如下：

其中， 表示区间[0，1]内的随机数形式， 表示局部最优个体， 表示猎物的相对安全位置，其定义如下：

其中 代表猎物个体之间的欧几里德距离。逃生猎物的位置更新公式如下：

其中， 表示全局最优位置， 和 表示在区间[0，1]内的随机数， 表示距离猎物领袖位置， 越小，表示距离越近； 表示控制随机偏移值的长短， 越小，表示偏移值越小。 表示空间解中的随机方向。

在捕食者种群中，捕食者的位置更新公式如下：

其中， 代表区间[0，1]之间的随机数， 值越大，位置更新越远，越容易忽略猎物。 是基于捕食概率从猎物种群中随机选择的猎物，捕食概率 定义如下:

表示捕食者和猎物之间的吸引力，吸引力的数学公式定义如下：

其中 代表 和 之间的欧几里德距离。

捕食阶段：每个猎物都有一个危险的区域，如果它属于这个领域，很可能被捕食者捕杀。危险域通常是一个圆，其半径定义为：

危险区域的猎物收集定义如下：

猎物在危险区域被猎杀的概率定义如下：

恢复阶段：在 SHO 中，被捕食者猎杀的所有猎物都将被新生的猎物所取代，新的猎物将通过交配操作产生，SHO通过交配概率选择交配猎物，其定义如下:

其中 代表一群没有被捕食者捕杀的猎物集，交配操作定义如下：

函数 用于从不同个体 中选择维度组件。

算法流程如下：

1.Input

2.Begin

3.利用公式初始化所有个体 S

4.定义羊群成员和捕食者的个数，利用公式（1）并将S 分为两组：H 与 P

5.For entire S do

6.利用公式（3）计算生存值

7.End For

8.While（t <Max number of iterations）

9.执行自私羊群移动操作

[1] Fausto F，Cuevas E，Valdivia A，et al.A global optimization

algorithm inspired in the behavior of selfish herds[J].

BioSystems，2017，160：39-55.

[2] 朱惠娟,王永利,陈琳琳.面向三维模型轻量化的自私羊群优化算法研究[J].计算机工程与应用,2020,56(03):42-48.

https://mianbaoduo.com/o/bread/aJicmJ0=

三、智能算法的智能算法概述

智能优化算法要解决的一般是最优化问题。最优化问题可以分为（1）求解一个函数中，使得函数值最小的自变量取值的函数优化问题和（2）在一个解空间里面，寻找最优解，使目标函数值最小的组合优化问题。典型的组合优化问题有：旅行商问题（Traveling Salesman Problem，TSP），加工调度问题（Scheduling Problem），0－1背包问题（Knapsack Problem），以及装箱问题（Bin Packing Problem）等。

优化算法有很多，经典算法包括：有线性规划，动态规划等；改进型局部搜索算法包括爬山法，最速下降法等，本文介绍的模拟退火、遗传算法以及禁忌搜索称作指导性搜索法。而神经网络，混沌搜索则属于系统动态演化方法。

优化思想里面经常提到邻域函数，它的作用是指出如何由当前解得到一个（组）新解。其具体实现方式要根据具体问题分析来定。

一般而言，局部搜索就是基于贪婪思想利用邻域函数进行搜索，若找到一个比现有值更优的解就弃前者而取后者。但是，它一般只可以得到“局部极小解”，就是说，可能这只兔子登“登泰山而小天下”，但是却没有找到珠穆朗玛峰。而模拟退火，遗传算法，禁忌搜索，神经网络等从不同的角度和策略实现了改进，取得较好的“全局最小解”。

四、多目标智能优化算法及其应用的简介

《多目标智能优化算法及其应用》可作为计算机、自动控制、人工智能、管理科学和工业工程等专业的研究生及高年级本科生教材，也可作为从事计算智能、生产调度等研究人员和工程技术人员的参考书。

以上就是关于智能优化算法原理与应用相关问题的回答。希望能帮到你，如有更多相关问题，您也可以联系我们的客服进行咨询，客服也会为您讲解更多精彩的知识和内容。

推荐阅读：

智能虚拟人（风平智能虚拟人）

logo智能设计免费（logo 智能设计）

杭州直尚智能设备有限公司（杭州直尚智能设备有限公司官网）

中国代表性元素（中国代表性元素简笔画）

抖音账号出租平台（抖音账号出租平台有哪些）