![自然計算模型系列之 粒子群( 魚群鳥群) 算法課件_第1頁](http://file4.renrendoc.com/view/742eb56bfab837d9065460e6a8a83cd3/742eb56bfab837d9065460e6a8a83cd31.gif)
![自然計算模型系列之 粒子群( 魚群鳥群) 算法課件_第2頁](http://file4.renrendoc.com/view/742eb56bfab837d9065460e6a8a83cd3/742eb56bfab837d9065460e6a8a83cd32.gif)
![自然計算模型系列之 粒子群( 魚群鳥群) 算法課件_第3頁](http://file4.renrendoc.com/view/742eb56bfab837d9065460e6a8a83cd3/742eb56bfab837d9065460e6a8a83cd33.gif)
![自然計算模型系列之 粒子群( 魚群鳥群) 算法課件_第4頁](http://file4.renrendoc.com/view/742eb56bfab837d9065460e6a8a83cd3/742eb56bfab837d9065460e6a8a83cd34.gif)
![自然計算模型系列之 粒子群( 魚群鳥群) 算法課件_第5頁](http://file4.renrendoc.com/view/742eb56bfab837d9065460e6a8a83cd3/742eb56bfab837d9065460e6a8a83cd35.gif)
版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請進行舉報或認領(lǐng)
文檔簡介
1、先進計算模型(2)自然計算模型系列之 粒子群( 魚群/鳥群) 算法四川大學計算機學院2009 博士生課程(遺傳算法,基因表達式編程, 粒子群算法(PSO),蟻群算法,魚群算法,.)唐常杰 四川大學計算機學院2022/9/81目錄,大致計劃第一次自然計算模型系列1:概述篇自然計算模型系列2 粒子群( 魚群/鳥群) 算法自然計算模型系列3 基因表達式編程第二次自然計算模型系列4:模擬退火算法自然計算模型系列5:蟻群算法 自然計算模型系列6:免疫計算模型(思路和比喻)下載URL: 校園網(wǎng) 和 學院網(wǎng) /chjtang/teach/tang_teaching.htm 7/tangchangjie/te
2、ach/tang_teaching.htm2022/9/82今天 自然計算模型 (Nature Computing)概述GEP 基因表達式編程PSO 粒子群算法 魚群 鳥群算法下一次 蟻群算法 模擬退火算法 人工免疫 思想 (比喻) 歡迎同學在下次發(fā)言 (5-30分鐘均可)( 如 A 先講, 可跳至32頁 )提綱2022/9/83資料出處 和 致謝參考資料: 本PPT僅作和同學們在討論版內(nèi)交流之用參考了若干教科書,文獻和論文和報告。在末尾列出50多篇,但參考的文獻不只這些,主要是遺傳算法、基因表達式編程、粒子群算法 的相關(guān)作者等等,包括 國內(nèi)外,校內(nèi)外專家和本實驗室成員的工作對未列出的文獻作者
3、也在此一并致謝。參考文獻可能有遺漏,歡迎未列出的文獻作者及時指出,以便即時在參考文獻中補充。作PPT類似于把小說改編為劇本,有重新創(chuàng)作的成分,也希望其它引用本PPT材料的標注 本PPT2022/9/84歡迎指正 我們在PSO方面的工作不多,難免疏漏:我們在PSO方面的工作不多,可能有疏漏,歡迎指正: 1 張培頌,唐常杰,丁鑫鑫,徐開闊,“基于劃分和重分布的粒子群算法及優(yōu)化策略 ”,四川大學學報(自然科學版)Vol.44,No.2 pp312-315, 2007.4 ,ZHANG Pei-song, TANG Chang-jie ,DING Xin-xin ,XU Kai-kuo,“An Imp
4、roved Particle Swarm Optimization Based on Division and Redistribution”,Journal of Sichuan University (Natural Science Edition), Vol.44,No.2 pp312-315, 2007.4 2 蘇輝,唐常杰,喬少杰,徐開闊, 張培頌, 宋美嬌 “基于搜索空間劃分和Sharing函數(shù)的粒子群優(yōu)化算法”,四川大學學報(自然科學版)Vol.44,No.5 pp985-989, 2007.10 ,SU Hui, TANG Chang-jie, Qiao Shao-jie, X
5、U Kai-kuo,ZHANG Pei-song , Song Mei-jiao“An Improved Particle Swarm Optimization Based on Search Space Division and Sharing Function”,Journal of Sichuan University (Natural Science Edition), Vol.44,No.5 pp985-989, 2007.10 3 倪勝巧,唐常杰,曾旭晟,喬少杰,曾春秋,EAMode: 一種新的基于引擎粒子系統(tǒng)的圖像渲染模式,Vol.44 No.6 ,Dec.2007 .p1220
6、-1224; NI Sheng-qiao,TANG Chang-jie,ZENG Xu-sheng,QIAO Shao-jie,ZENG Chun-qiu, E&AMode: A New Mode for Image Romancing Based on Engine Particles System,Journal of Sichuan University (Natural Science Edition), Vol.44 No.6 ,Dec.2007 .p1220-1224 4 Qihong Liu, Tiande Li, Changjie Tang, Qiwei Liu, Jun Zh
7、u, Xinxin Ding, Jiang Wu:Two Phase Parallel Particle Swarm Algorithm based on Regional and Social Study of Object Optimization.Third International Conference on Natural Computation,ICNC2007,Vol.3,Aug.2007,p:827831.EI 5 丁鑫鑫 唐常杰 曾濤 張培頌 徐開闊 劉齊宏, 基于最佳粒子共享和分層搜索的并行粒子群優(yōu)化算法 to be published.2022/9/85課程計劃和特點有
8、多位(7-8位)博士生導師作專題講座, 每個老師講課8小時(大約需要準備4060小時)特點廣 N位導師,N=89 ,N + 個領(lǐng)域,M個課題,(MN). “N家講座” ,不敢比 百家新 要求報告 新技術(shù)前沿淺 因為時間短,主要將思想,方法,介紹成果。不可能深入到公式和算法細節(jié)實結(jié)合實際,結(jié)合博士生可能的選題2022/9/86 啟發(fā)式搜索的方法,用于解決那些屬于NP的比較困難的計算方法。對簡單問題, 可以確定算法解決的(如解一元二次方程) 不要用這些方法。下面看一個實例任務(wù) 請兩同學 去電腦城買一款性能價格比高的電腦啟發(fā)式規(guī)則:人多力量大,三個臭皮匠,賽過諸葛亮 帶上上手機啟發(fā)式搜索及示例202
9、2/9/87鳥群算法 其他應(yīng)用例子并發(fā)地 搜山抓嫌疑人,并發(fā)地 排查嫌疑人 比喻 , 事件不同哲理同2022/9/810 書歸正傳今天內(nèi)容 PSO之一:Particle Swarm Optimization PSO算法國際網(wǎng)站 http:/2022/9/811PSO :特點 1 可看成是 遺傳算法家族的成員 (或親戚) shares many similarities with evolutionary computation such as Genetic Algorithms (GA). initialized with a population of random solutions s
10、earches for optima by updating generations. 愚公移山2 PSO = GA (交叉+簡單變異) +(見賢思齊的變異) unlike GA, PSO has no evolution operators such as crossover and mutation. Solutions =particles, fly through the problem space By following the current optimum particles. 緊跟頭鳥 2一種說法 : PSO是 GA的特例,簡化, 后面看: 是不是這樣?PSO 2022/9/
11、812PSO先驅(qū) James Kennedy (詹姆斯,肯尼迪 ?)James KennedyJames Kennedy Kennedy_Jim2022/9/816PSO 外師物化(啟發(fā)) ,內(nèi)得心源(靈感)生物學家對鳥(魚)群覓食的行為研究社會行為 (Social-Only Model)認知模型 (Cognition-Only Model)什么行為?且看下頁分解2022/9/817觀察家里魚缸:一條魚(當前的帶頭魚,通常是老魚) 發(fā)現(xiàn)食物 ,其他的(通常是新魚)同伴能感知聲波,.養(yǎng)魚能發(fā)現(xiàn)算法, 不是玩物喪志!2022/9/818問題魚群 鳥群 都是低智能 動物,人比魚群、 鳥群 高了很多層
12、次,人群中 高智能的 計算機科學家 去模擬低智能 動物, 不是見賢思齊,而是,見低思齊, 禮賢下”物“,值得嗎,有用嗎?答案 值得。 看下面細細道來。2022/9/819鳥(魚)有記憶鳥(魚)能比較鳥(魚)可通訊 (廣播)鳥(魚)會學習 向好鳥(魚)學習, 見異思遷(有點貶義) 見賢思齊 從善如流 (褒義) 追尾行為,一條魚發(fā)現(xiàn)食物時,伙伴會尾隨算法思想 :模擬鳥(魚)覓食、聚群和追尾行為寫論文時,寫觀察不需要證明,大多數(shù)情況下 成立,能解決問題,就有用幾個觀察 或假定2022/9/823鳥(魚)有記憶鳥(魚)能比較鳥(魚)可通訊 (廣播)鳥(魚)會學習 向好鳥(魚)學習, 見異思遷(有點貶義
13、) 見賢思齊 從善如流 (褒義) 追尾行為,一條魚發(fā)現(xiàn)食物時,伙伴會尾隨算法思想 :模擬鳥(魚)覓食、聚群和追尾行為寫論文時,寫觀察不需要證明,大多數(shù)情況下 成立,能解決問題,就有用幾個觀察 或假定2022/9/824算法思想 模擬鳥(魚)覓食、聚群和追尾行為找食 不如找?guī)ь^鳥(動態(tài)帶頭鳥,可罷免、 重選),追隨領(lǐng)袖(或鄰域中領(lǐng)袖,部落酋長) 跟蹤兩個“極值”來更新自己。 自己的經(jīng)驗:自己歷史上最優(yōu)解 個體極值pBest. 全局經(jīng)驗和部落經(jīng)驗:gBest。另(鄰居極值)向領(lǐng)袖學習,見賢思齊,從善如流 ,不斷更新自己2022/9/825鳥(魚)有記憶鳥(魚)能比較向好鳥(魚)學習,見異思遷, 從
14、善如流寫論文時,寫觀察不需要證明, 觀察結(jié)論在大多數(shù)情況下 成立, 能解決以大批問題,有用 從觀察 到理論,是實驗科學的研究方法三個觀察或假定2022/9/826分隔規(guī)則,盡量避免與臨近伙伴過于擁擠對準規(guī)則,盡量與臨近伙伴的平均方向一致;內(nèi)聚規(guī)則,盡量朝臨近伙伴的中心移動。追尾行為當魚群中的一條或幾條魚發(fā)現(xiàn)食物時,其臨近的伙伴會尾隨其快速到達食物點。更多的觀察或假定2022/9/827PSO的主要步驟 遺傳算法-編譯-交叉Initialize 初始化Evaluation評價Find the Pbest 單個粒子迄今最佳位置(有歷史觀)Find the Gbest Update the Posi
15、tion 更新回到 Evaluation 繼續(xù)執(zhí)行,符合終止條件成立2022/9/828PSO的主要步驟 遺傳算法-編譯-交叉Initialize 初始化Evaluation評價Find the Pbest 單個粒子迄今最佳位置(有歷史觀)Find the Gbest Update the Position 更新回到 Evaluation 繼續(xù)執(zhí)行,符合終止條件成立2022/9/829PSO的主要步驟 遺傳算法-編譯-交叉Initialize 初始化Evaluation評價Find the Pbest 單個粒子迄今最佳位置(有歷史觀)Find the Gbest Update the Posi
16、tion 更新回到 Evaluation 繼續(xù)執(zhí)行,符合終止條件成立2022/9/830PSO的主要步驟 遺傳算法-編譯-交叉Initialize 初始化Evaluation評價Find the Pbest 單個粒子迄今最佳位置(有歷史觀)Find the Gbest Update the Position 更新回到 Evaluation 繼續(xù)執(zhí)行,符合終止條件成立2022/9/831PSO的適應(yīng)度評價用 Fitness Function 計算出其 Fitness Value 判斷每一Particle之好壞初步印象:技術(shù)比GEP簡單,功能能可能也差一些)2022/9/834Find the P
17、best單個粒子優(yōu)化找出每個Particle 到目前為止的搜尋過程中最佳解(迄今的覓食的最佳速度和位置,鳥能記憶和比較),稱為 Pbest P-pastPast Best Solution注意這里局部優(yōu)化2022/9/835Find the Gbest高度表示得分多少。山峰處 得分高找出所有Particle 到目前為止全局最優(yōu)解,記為GbestGlobal Best SolutionPast Best Solution注意這里2022/9/836PSO更新 (相當于遺傳算法的新的一代,進化)更新位置(從善若流,與時俱進,調(diào)整自己)依 Velocity Function 更新每Particle的
18、移動方向與速度回 Evaluation 步驟繼續(xù),直到符合終止條件2022/9/837PSO流程 (與遺傳算法相比,少了變異和交叉)比喻為遺傳算法的新生一代,相當于鳳凰涅槃2022/9/838PSO Velocity Function 速度函數(shù)的構(gòu)成Cognition-Only ModelPSO Velocity FunctionSocial-Only Model| |+兩個分量主觀的客觀的2022/9/839插曲:一個有趣的比喻三國時,群雄并起,很多粒子:曹操,孫權(quán),類被,袁紹.,他們要覓食(地盤和資源)許邵評論曹操用了一個 先天歧義的句子 兩個分量都有a3 許邵 評曹操 : 亂世奸雄 治世
19、能臣 亂世奸雄 治世能臣現(xiàn)在回到PSO現(xiàn)實中狀語:表達客觀條件(社會模型) 決定人人生動賓結(jié)構(gòu):表達主觀愿望(認知模型) 決定人生2022/9/840插曲:一個有趣的比喻三國時,群雄并起,很多粒子:曹操,孫權(quán),類被,袁紹.,他們要覓食(地盤和資源)許邵評論曹操用了一個 先天歧義的句子 兩個分量都有a3 許邵 評曹操 : 亂世奸雄 治世能臣 亂世奸雄 治世能臣問題: 能否用他描述或部分地描述 三國群英? 難,要簡化模型現(xiàn)在回到PSO現(xiàn)實中狀語:表達客觀條件(社會模型) 決定人人生動賓結(jié)構(gòu):表達主觀愿望(認知模型) 決定人生2022/9/841PSO Velocity Function(后面有動畫
20、演示)認知模型 Cognition-Only ModelVid:第 i 個 particle (有d個維度) 之速度Pid:該 particle 到目前為止所出現(xiàn)的最佳位置Xid:該 particle 目前之所在位置C1:學習常數(shù)rand():01之間的隨機數(shù)速度的增量 旨在 彌補與先進的差距與先進的差距2022/9/842社會模型 Social-Only ModelVid:第 i 個 particle (有d個維度) 之速度Pgd:所有 particle 到目前為止所出現(xiàn)的最佳位置Xid:該 particle 目前之所在位置C2:學習常數(shù)rand():01之間的隨機數(shù)PSO Velocity
21、 Function (后面有動畫演示)速度的增量 旨在 彌補與先進的差距與先進的差距與上頁不同點2022/9/843Vid:第 i 個 particle (d維)速度Pid:每個 particle 迄今出現(xiàn)的最佳位置Pgd:所有 particle 迄今最佳位置Xid:每個 particle 目前位置C1,C2:學習常數(shù)w:慣性權(quán)重rand():01之間隨機數(shù)PSO Velocity Function (后面有動畫演示)個體認知模型(主觀)社會模型(客觀)2022/9/844區(qū)域最佳解全域最佳解運動向量慣性向量動畫演示 動能向量 Study FactorHere I am!The best po
22、sition of teamMy best positionxpgpivPBestgBest2022/9/845鳥(魚)有記憶鳥(魚)能比較,會總結(jié)向好鳥(魚)學習, 見賢思齊不但 從善如流,還能統(tǒng)籌兼顧 局部經(jīng)驗和全局經(jīng)驗上頁的演示確實說明了這三點(必要時重新演示一次)復(fù)習 :三個觀察或假定2022/9/846鳥(魚)有記憶鳥(魚)能比較,會總結(jié)向好鳥(魚)學習, 從善如流不但 從善如流,還能統(tǒng)籌兼顧 局部經(jīng)驗和全局經(jīng)驗上頁的演示確實說明了這三點(必要時重新演示一次)復(fù)習 :三個觀察或假定2022/9/847PSO算法 I) For each particle: Initialize par
23、ticleII) Do: a) For each particle: 1) Calculate fitness value 2) If the fitness value is better than the best fitness value (Pbest) in history 3) Set current value as the new Pbest End b) For each particle: 1) Find in the particle neighborhood, the particle with the best fitness 2) Calculate particl
24、e velocity according to the velocity function 3) Update particle position according to the position function End While maximum iterations or minimum error criteria is not attained 初始化計算個體適應(yīng)度總結(jié),自己縱向比較2022/9/848PSO算法 I) For each particle: Initialize particleII) Do: a) For each particle: 1) Calculate f
25、itness value 2) If the fitness value is better than the best fitness value (Pbest) in history 3) Set current value as the new Pbest End b) For each particle: 1) Find in the particle neighborhood, the particle with the best fitness 2) Calculate particle velocity according to the velocity function 3)
26、Update particle position according to the position function End While maximum iterations or minimum error criteria is not attained 吸取歷史經(jīng)驗計算個體適應(yīng)度總結(jié),自己縱向比較,2022/9/849PSO算法 I) For each particle: Initialize particleII) Do: a) For each particle: 1) Calculate fitness value 2) If the fitness value is bette
27、r than the best fitness value (Pbest) in history 3) Set current value as the new Pbest End b) For each particle: 1) Find in the particle neighborhood, the particle with the best fitness 2) Calculate particle velocity according to the velocity function 3) Update particle position according to the pos
28、ition function End While maximum iterations or minimum error criteria is not attained 橫向比較 ,找適應(yīng)度最好的鄰居或部落領(lǐng)袖見賢思齊2022/9/850PSO算法 I) For each particle: Initialize particleII) Do: a) For each particle: 1) Calculate fitness value 2) If the fitness value is better than the best fitness value (Pbest) in his
29、tory 3) Set current value as the new Pbest End b) For each particle: 1) Find in the particle neighborhood, the particle with the best fitness 2) Calculate particle velocity according to the velocity function 3) Update particle position according to the position function End While maximum iterations
30、or minimum error criteria is not attained 終止條件2022/9/851智能何在?擬人化的詞匯:計算個體適應(yīng)度,總結(jié),自己縱向比較吸取歷史經(jīng)驗,橫向比較 ,找適應(yīng)度最好的鄰居 或部落領(lǐng)袖見賢思齊So far Any question ?是否好理解?比喻不嚴格, 但有助于理解和記憶。2022/9/852PSO解集合的坐標表示法xzy123123123f(3,3,1)=14f(2,1,2)=7f(1,3,3)=82022/9/853Note合理解組合目前最佳解個體最優(yōu)解全域區(qū)域PSO 粒子子群優(yōu)化 二維 例子2022/9/854實例2022/9/855曲面表
31、示 實際例子 GriewankRastriginRosenbrock2022/9/856Best result after 40 000 evaluationsOptimum=0, Dimension=30實例子 2022/9/857與遺傳算法比較 相似點Both algorithms start with a group of a randomly generated population 隨機初始化Both have fitness values to evaluate the population Both update the population and search for the
32、 optimum with random techniquesBoth systems do not guarantee success 不保證成功 (是啟發(fā)式方法的特征)2022/9/858不同點 Dissimilarityhas no evolution operators such as crossover and mutation 不需要交叉和變異 (是優(yōu)點 還是缺點?)In PSO, the potential solutions, called particles, fly through the problem space by following the current opt
33、imum particles 潛在解在整個空間追隨當前優(yōu)化解 追隨頭鳥就是勝利個體不死亡(遺傳操作比較殘酷,可能殺死個體)Particles update themselves with the internal velocity 更新速度 相當于 進化代數(shù), 代代有進步,一代比一代強 ,收斂較快?與遺傳算法比較 2022/9/859PSO的優(yōu)點PSO is easy to implement and there are few parameters to adjust 容易實現(xiàn)Compared with GA, all the particles tend to converge to th
34、e best solution quickly even in the local version in most cases 收斂快2022/9/860簡單表現(xiàn)在那些地方?有何經(jīng)驗?實數(shù)編碼, (遺傳算法一樣是二進制編碼)有掛 f(x) = x12 + x22+x32, 粒子直接編碼為 (x1, x2, x3), 適應(yīng)度函數(shù)即f(x). 調(diào)節(jié)參數(shù)少。粒子數(shù): 一般 20 40.簡單問題10,復(fù)雜問題, 100粒子長: 由優(yōu)化問題決定, 就是問題解的長度粒子范圍: 由優(yōu)化問題決定,每維可設(shè)定不同范圍2022/9/861參數(shù)設(shè)置經(jīng)驗Vmax: 最大速度,粒子在一個循環(huán)中最大的移動距離,常設(shè)為粒子
35、的范圍寬度,上例,粒子 (x1, x2, x3) x1 屬于 -10, 10, 那么 Vmax 的大小就是 20學習因子: c1 和 c2 通常等于 2. (0和4之間)中止條件: 最大循環(huán)數(shù)以及最小錯誤要求. 最小錯誤可設(shè)為1個錯誤分類, 最大循環(huán)設(shè)定為2000, 由的問題確定. 全局PSO和局部PSO: 全局版速度快,不過有時會陷入局部最優(yōu).局部PSO 收斂速度慢,難陷入局部最優(yōu). 實際, 可先全局PSO,找到大致結(jié)果, 再局部PSO進行搜索.慣性權(quán)重, 參見Shi 和Eberhart1998年的論文(題目: A modified particle swarm optimizer)2022
36、/9/862一些體會 (不成熟意見)從實驗效果來看和遺傳算法差不多,不能明顯感覺到人工魚群算法比遺傳算法好在哪里。和蟻群算法比較類似。不如GEP快 ,但GEP要難學一些 博士生課程:GEP將化一個學期的時間討論2022/9/863插問: 誰提出魚群算法 (轉(zhuǎn)至魚群算法博客)山東大學的李曉磊 ,(1973-) ,男/講師/博士 ,研究方向 復(fù)雜系統(tǒng)智能優(yōu)化、人工智能等 山東大學控制科學與工程學院 ,山東濟南,郵政編碼250061 在很多文章中,說“人工魚群算法”是他提出來的。如: 李曉磊, 路飛, 田國會, 錢積新. 組合優(yōu)化問題的人工魚群算法應(yīng)用J.山東大學學報(工學版).2004.34(5)
37、:64-67 一文中,說: “人工魚群算法是筆者模仿魚類行為方式提出的一種基于動物自治體的優(yōu)化方法,是集群智能思想的一個具體應(yīng)用。它能很好地解決非線性函數(shù)優(yōu)化等問題。它的主要特點是不需要了解問題的特殊信息,只需要對問題進行優(yōu)劣的比較,有著較快的收斂速度.” 其中引文是他自己的這篇: 李曉磊,邵之江,錢積新. 一種基于動物自治體的尋優(yōu)模式:魚群算法J . 系統(tǒng)工程理論與實踐,2002 ,22 (11) :32-38. 與Russell Eberhart 的 PSO有區(qū)別嗎?2022/9/864忠告 :博士生群體不是魚群、鳥群博士生群體是最有活力的創(chuàng)新群體不要學魚群和鳥群不能見異思遷,老跟別人跑,
38、要有自己的主見,要創(chuàng)造, 要掀起潮流。什么是創(chuàng)造? 創(chuàng)造就是無中生有。什么是掀起潮流,掀起潮流就是興風作浪,能在學術(shù)界興一股風,作已成浪,可以不簡單。2022/9/865忠告 :博士生群體不是魚群鳥群博士生群體是最有活力的創(chuàng)新群體不要學魚群和鳥群不能見異思遷,老跟別人跑,要有自己的主見,要創(chuàng)造, 要掀起潮流什么是創(chuàng)造?創(chuàng)造就是無中生有。什么是掀起潮流,掀起潮流就是興風作浪,能在學術(shù)界興一股風,作已成浪,可以不簡單。2022/9/866忠告 :博士生群體不是魚群鳥群博士生群體是最有活力的創(chuàng)新群體不要學魚群和鳥群不能見異思遷,老跟別人跑,要有自己的主見,要創(chuàng)造, 要掀起潮流。什么是創(chuàng)造?創(chuàng)造就是無
39、中生有。什么是掀起潮流,掀起潮流就是興風作浪,能在學術(shù)界興一股風,作已成浪,可以不簡單。2022/9/867忠告 :博士生群體不是魚群鳥群博士生群體是最有活力的創(chuàng)新群體不要學魚群和鳥群不能見異思遷,老跟別人跑,要有自己的主見,要創(chuàng)造? 要掀起潮流什么是創(chuàng)造?創(chuàng)造就是無中生有。什么是掀起潮流?掀起潮流就是興風作浪,能在學術(shù)界興一股風,作已成浪,可以不簡單。2022/9/868忠告 :博士生群體不是魚群鳥群博士生群體是最有活力的創(chuàng)新群體不要學魚群和鳥群不能見異思遷,老跟別人跑,要有自己的主見,要創(chuàng)造? 要掀起潮流什么是創(chuàng)造?創(chuàng)造就是無中生有。什么是掀起潮流?掀起潮流就是興風作浪,能在學術(shù)界興一股風
40、,作已成浪,可以不簡單。2022/9/869忠告 :博士生群體不是魚群鳥群博士生群體是最有活力的創(chuàng)新群體不要學魚群和鳥群不能見異思遷,老跟別人跑,要有自己的主見,要創(chuàng)造? 要掀起潮流什么是創(chuàng)造?創(chuàng)造就是無中生有。什么是掀起潮流,掀起潮流就是興風作浪,能在學術(shù)界興一股風,作已成浪,可不簡單。要付出。2022/9/870小結(jié)課程計劃和特點 學習方法計算機科學家 向大自然學習 發(fā)展歷史幾本相關(guān)的中文書書籍 遺傳算法家族的成員 PSO先驅(qū) 外師物化 ,內(nèi)得心源三個觀察或假定,模擬鳥(魚)覓食、聚群和追尾行為PSO的主要步驟 PSO的評價PSO流程 動能向量 算法 偽代碼與遺傳算法比較 優(yōu)點缺點 參數(shù)設(shè)
41、置經(jīng)驗 體會 參考文獻2022/9/871致謝和參考文獻參考資料: 本PPT僅作和同學們在討論版內(nèi)交流之用參考了若干教科書,文獻和論文和報告。在末尾列出30多篇,但參考的文獻不只這些,主要是遺傳算法、基因表達式編程、粒子群算法 的相關(guān)作者等等,特別感謝 成功大學 黃悅民 教授的 相關(guān)文獻和講座 對未列出文獻作者也在此一并致謝。歡迎未列出的文獻作者及時指出,以便即時在參考文獻中補充。2022/9/872致謝和參考文獻參考了若干教科書,文獻和論文和PPT,下面列出31篇,但參考的文獻不知這些, 對為列出的也在次一并致謝,1 Ferreira, C., Complete reference for
42、the first GEP paper, (12/5/2001). Gene Expression Programming: A New Adaptive Algorithm for Solving Problems, Complex Systems, 13 (2): 87 - 129.2 Ferreira, C. Gene Expression Programming, First Edition,Printed and Bounded in Portugal, Angra do Heroismo,Portugal,2002.Deposito legal n0 187498/02 (第一本G
43、EP專著)3 Ferreira, C., 2001. Gene Expression Programming in Problem Solving, invited tutorial of the 6th Online World Conference on Soft Computing in Industrial Applications, September 10-24, 2001.4 Ferreira, C., Discovery of the Boolean Functions to the Best Density-Classification Rules Using Gene Ex
44、pression Programming. Proceedings of the 4th European Conference on Genetic Programming, EuroGP 2002, volume 2278 of Lecture Notes in Computer Science, pages 51-60, Springer-Verlag, Berlin Germany, 2002.5 Ferreira, C., 2002. Analyzing the Founder Effect in Simulated Evolutionary Processes Using Gene
45、 Expression Programming. In A. Abraham, J. Ruiz-del-Solar, and M. Kpen (eds), Soft Computing Systems: Design, Management and Applications, pp. 153-162, IOS Press, Netherlands, 2002.6 美國專利 Ferreira, C., 2001. Linear and non-linear genetic algorithms for solving problems such as optimization, function
46、 finding, planning and logic synthesis. U.S.A. Patent Application N 09/899,282 filed July 6, 2001.7 左劼,唐常杰,張?zhí)鞈c, Zuo Jie, Tang Changjie and Zhang Tianqing,Mining Predicate Association Rule by Gene Expression Programming, WAIM02 (International Conference for Web Information Age 2002). LNCS (Lecture No
47、tes In Computer science) Vol.2419, pp.92-103,edited by Xiaofeng Meng,Jianwne Su,and Yujun Wang , Springer Verlag Berling Heidelberg 2002.8,ISBN 3-540-44045-32022/9/873致謝和參考文獻參考了若干教科書,文獻和論文和PPT8 ZuoJie(左劼),Yu ZhongHua(于中華),Low-leakage loading pattern optimization for PWR NPP reload core using genetic
48、 algorithms, Nuclear Power Engineering v 23 n SUPPL. May 2002 Yuan Zi Neng Chuban She p 12-16 0258-0926 In Chinese EI024471783919 黃曉冬 唐常杰 普東航 曾令明,基于基因表達式編程的函數(shù)關(guān)系發(fā)現(xiàn)方法 A Gene Expression Programming Based Function Discovery Method,計算機科學,Vol.30 (2003.10) (A) , pp 278 -282. ISBN1002-137X,NDBC2003 優(yōu)秀研究生論文.
49、10 賈曉斌,唐常杰,左劼,陳安龍,黃曉冬,汪銳,”基于基因表達式編程的頻繁函數(shù)集挖掘”, SCU KE-DB Research Report No.03016, /chjtang/ paper_doc/2004/gep-freq-func-abst.zip11 汪銳,唐常杰等,“基于基因表達式編程的因子分解”, SCU KE-DB Research Report No.04001,/chjtang/ paper_doc/2004/ factorization.zip12 周昌樂. 心腦計算舉要. 北京清華大學出版社,2003. 23713 Penrose R. The Emperors Ne
50、w Mind: Concerning Computers, Minds, and the Laws of Physics. New York: Oxford University Press, 1989. 64014 Penrose R. Shadows of the Minds, A Search for the Missing Science of Consciousness. New York: Oxford University Press, 1994. 480.15黃席樾, 張著洪, 何傳江, 胡小兵, 馬笑瀟, 現(xiàn)代智能算法理論及應(yīng)用. 科學出版社, 2005.16蔡自興, 徐光祐
51、, 人工智能及其應(yīng)用(第三版), 清華大學出版社, 2004.817 Minsky M. Logical Versus Analogical or Symbolic Versus Connectionist or Neat Versus Scruffy. AI Magazine, 1991, 12(2):3451.18 陳國良,王煦法,莊鎮(zhèn)泉,等. 遺傳算法及其應(yīng)用M .北京: 人民郵電出版社,1996.on Neural Network ,1994 ,5 (1) : 96101.,2022/9/874致謝和參考文獻19Qi X F , Palmieri F , Theoretical ana
52、lysis of evolutionary algorithms with an infinite population size in continuous space J . IEEE Transactions on Neural Network ,1994 ,5 (1) : 102119.20 莊健,王孫安. 自調(diào)節(jié)遺傳算法的研究J . 西安交通大學學報, 2002 , 36 (11) : 359363.21 張鈴,張鈸. 統(tǒng)計遺傳算法J . 軟件學報, 1997 ,8 (5) : 335344.22 張鈴,張鈸. 遺傳算法機理的研究J . 軟件學報,2000 ,11 (7) : 945
53、952.23 張文修,梁怡. 遺傳算法的數(shù)學基礎(chǔ)M . 西安:西安交通大學出版社, 2001. 5479.358365.24 Meuleau N and Dorigo M. Ant colony optimization and stochastic gradient descent. Artif. Life, 2002, 8(2): 103121.25 馬良,項培軍. 螞蟻算法在組合優(yōu)化中的應(yīng)用. 管理科學學報,2001, 4(2): 3237.26 陳峻, 沈潔, 秦玲. 蟻群算法求解連續(xù)空間優(yōu)化問題的一種新方法. 軟件學報, 2002, 13(12): 23172323.2022/9/8
54、75致謝和參考文獻27 汪鐳, 吳啟迪. 蟻群算法在系統(tǒng)辨識中的應(yīng)用. 自動化學報, 2003,29(1): 102109.28 胡小兵, 黃席樾. 蟻群算法在迷宮最優(yōu)路徑中的應(yīng)用. 計算機仿真, 2005, 22(2):2629.Expression Programming, WAIM02 (International Conference for Web Information Age 2002). LNCS (Lecture Notes In Computer science) Vol.2419, pp.92-103,edited by Xiaofeng Meng,Jianwne Su, and Yujun Wang , Springer Verlag Berling Heidelberg 2002.8,ISBN 3-540-44045-329 元昌安,唐常杰, 左劼,謝方軍,陳安龍,胡建軍,基于基因表達式編程的函數(shù)挖掘收斂性分析與殘差制導進化算法, 四川大學學報四川大學學報(工程科學版),Vo
溫馨提示
- 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁內(nèi)容里面會有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 人人文庫網(wǎng)僅提供信息存儲空間,僅對用戶上傳內(nèi)容的表現(xiàn)方式做保護處理,對用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對任何下載內(nèi)容負責。
- 6. 下載文件中如有侵權(quán)或不適當內(nèi)容,請與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。
最新文檔
- 2025年全球及中國推進器控制系統(tǒng)行業(yè)頭部企業(yè)市場占有率及排名調(diào)研報告
- 2025-2030全球IO-Link信號燈行業(yè)調(diào)研及趨勢分析報告
- 2025建筑施工勞務(wù)勞動合同內(nèi)、外墻保溫
- 臨時急需資金借款合同
- 提高數(shù)據(jù)可視化技能的技能培訓
- 技術(shù)服務(wù)合同經(jīng)典
- 提高團隊領(lǐng)導力的培訓方法
- 委托國際貿(mào)易傭金合同書
- 零配件采購合同
- 石材大板購銷合同
- (正式版)CB∕T 4552-2024 船舶行業(yè)企業(yè)安全生產(chǎn)文件編制和管理規(guī)定
- 病案管理質(zhì)量控制指標檢查要點
- 2024年西藏中考物理模擬試題及參考答案
- 九型人格與領(lǐng)導力講義
- 藥品經(jīng)營和使用質(zhì)量監(jiān)督管理辦法培訓試題及答案2023年9月27日國家市場監(jiān)督管理總局令第84號公布
- 人教版五年級上冊數(shù)學脫式計算練習200題及答案
- 卵巢黃體囊腫破裂教學查房
- 醫(yī)院定崗定編
- 計算機網(wǎng)絡(luò)畢業(yè)論文3000字
- 2023年大學物理化學實驗報告化學電池溫度系數(shù)的測定
- 腦出血的護理課件腦出血護理查房PPT
評論
0/150
提交評論