禁忌搜索的案例
禁忌搜索 Tabu Search.py ￥2
<span style="white-space:pre"> </span>抱負(fù)標(biāo)準(zhǔn)：這是所選方法中最重要的元素，因為如果朝著某個方向移動導(dǎo)致的分?jǐn)?shù)明顯優(yōu)于迄今為止已知的分?jǐn)?shù)，它會釋放禁忌解決方案，并允許搜索返回到可能有價值的領(lǐng)域。
</div><div contenteditable="false" width="100%">
3.
<span style="white-space:pre"> </span>鄰里搜索：研究當(dāng)前解決方案的其他次優(yōu)解決方案，并選擇禁忌列表之外的最佳舉措。如果所有動作都是禁忌，則選擇具有抱負(fù)標(biāo)準(zhǔn)的最
</div><p><br></p>
展開 新書推薦(3)——《現(xiàn)代優(yōu)化計算方法》
目錄：
第1章 概論
1.1 組合最優(yōu)化問題
1.2 計算復(fù)雜性的概念
1.3 鄰域的概念
1.4 啟發(fā)式算法
1.5 NP,NP完全和NP難
1.6 多項式時間迫近格式
1.7 小結(jié)
練習(xí)題
參考文獻
第2章 禁忌搜索算法
2.1 局部搜索
2.2 禁忌搜索
2.3 技術(shù)問題
2.4 應(yīng)用案例——圖節(jié)點著色和車間作業(yè)排序
練習(xí)題
參考文獻
第3章 模擬退火算法
3.1 模擬退火算法及模型
3.2 馬爾可夫鏈
3.3 時齊算法的收斂性
3.4 非時齊算法收斂性簡介
3.5 實現(xiàn)的技術(shù)問題
3.6 應(yīng)用案例——下料問題
練習(xí)題
參考文獻
第4章 遺傳算法
4.1 遺傳算法
4.2 模板理論
4.3 馬爾可夫鏈?zhǔn)諗糠治?4.4 實現(xiàn)的技術(shù)問題
4.5 遺傳模擬退火算法
4.6 應(yīng)用案例——生產(chǎn)批量問題
練習(xí)題
參考文獻
第5章 蟻群優(yōu)化算法
5.1 蟻群優(yōu)化算法的概念
5.2 算法模型和收斂性分析
5.3 技術(shù)問題
5.4 應(yīng)用案例——醫(yī)學(xué)診斷的數(shù)據(jù)挖掘
練習(xí)題
參考文獻
第6章 人工神經(jīng)網(wǎng)絡(luò)
6.1 人工神經(jīng)網(wǎng)絡(luò)的基本概念
6.2 單層前向神經(jīng)網(wǎng)絡(luò)
6.3 多層前向神經(jīng)網(wǎng)絡(luò)
6.4 競爭學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)
6.5 反饋型神經(jīng)網(wǎng)絡(luò)
練習(xí)題
參考文獻
第7章 拉格朗日松弛算法
7.1 基于規(guī)劃論的松弛方法
7.2 拉格朗日松弛理論
7.3 拉格朗日松弛的進一步討論
7.4 拉格朗日松弛算法
7.5 應(yīng)用案例——能力約束單機排序問題
練習(xí)題
參考文獻
索引
展開 基于Swarm的城市無人機4D路徑規(guī)劃
一些算法，如偽譜法、禁忌搜索算法和模擬退火算法，僅從一個初始解開始，不能滿足需求。此外，最終最優(yōu)解對初始解很敏感，增加了獲得最優(yōu)解的難度。
A.蟻群算法中基于擁擠機制的聚類算法
首先確定聚類中心，良好的初始聚類中心既能加快算法的收斂速度，又能避免解陷入局部最優(yōu);一種直觀的想法是，從幾個不同的最佳初始解中選擇聚類中心，其他初始解可以根據(jù)它們到聚類中心的距離放入相應(yīng)的聚類中。請注意，每個集群中只有一個中心，并且一個初始解決方案只屬于特定的集群。
這些聚類具有以下特點:雖然一個解決方案可能接近多個聚類中心，但它只屬于中心適應(yīng)度值較小的聚類。此外，聚類的數(shù)量不是預(yù)先確定的，而是由解的適應(yīng)度值決定的。與固定的集群數(shù)量相比，自適應(yīng)的集群數(shù)量可以使每個集群區(qū)別于其他集群。最后，排在前幾個位置的解決方案是不同的，可以成為集群中心。這有利于在以后的迭代過程中獲得更好的解決方案，因為每個集群中至少有一個好的解決方案。
B.基于改進蟻群算法的多路徑規(guī)劃
由于整個群被劃分為一定數(shù)量的聚類，因此基于蟻群算法制定每個聚類的更新策略。蟻群算法雖然在工業(yè)上應(yīng)用于許多優(yōu)化問題，但仍存在容易陷入局部最優(yōu)解和收斂速度較慢的缺點。在蟻群算法的框架下，針對上述缺點進行了改進。這些改進將在描述蟻群算法解決多路徑規(guī)劃問題的步驟時得到重點說明。
其他參數(shù)，如antsNA的數(shù)量，最大迭代次數(shù)simax，有效因子α，啟發(fā)式因子β，信息素矩陣τ，信息素常數(shù)q和信息素蒸發(fā)ρ，也需要初始化。注意信息素矩陣τ的大小與記錄路徑影響的搜索空間相同。
展開 