如何提高压缩率
一、让WINRAR成倍提高压缩率1、选中并右击要压缩的文件，选择“添加到压缩文件”，在“常规”标志符下选择“创建固实压缩文件”(选择“锁定压缩文件”可使其不能修改其压缩的内容)，并在“压缩方式”下选择“最好”。2、点击“高级”标签下的“压缩”按钮，这时会打开“高级压缩参数”窗口。进行如下操作：(1)一般程序或文档将“文本压缩”下的“预测顺序”设置为“30”，“内存使用”，“MB”设置为“30”，这两项值越高，压缩率越高。(2)未压缩过的音频文件比如WAV文件，将“音频压缩”下的“声道”设置为“4”(0为自动)。(3)未压缩过的图片文件比如BMP、TIF等，可将“真彩压缩”下设置为“强制”。有可能会压缩得比JPG文件还小。3、从“常规压缩”下的“字典大小KB”下拉菜单中选择“4096”项(如果内存高于64MB的话)。最后点击“确定”开始压缩。4、将一个任意较小的文本文件，与压缩后的压缩包重新压缩，具体方法请参照1~3步，只是在设置“字典大小KB”时，选择“2048”即可。(提示：如果是JPG、MP3、EXE等已经压缩过的文件，上述方法就不会提高压缩率了。)二、自动添加注释的方法选择“注释”标签，点“浏览”选择压缩包注释文件，如“说明文件.htm”或“说明文件.txt”。推荐把“常规”标签中的“压缩选项”里面的“创建固实压缩文件”和“锁定压缩文件”勾上，这样可以加大压缩率，还可以防止别人轻易修改压缩包。在“高级”标签里面还可以选择是否“后台压缩”和设置压缩密码。提高WinRAR的压缩率小技巧很多朋友在使用WinRAR进行文件压缩时，常发现只能达到百分之几的压缩率，跟没压缩差不了多少。其实只要对WinRAR多做一些设置，就能得到最大限度的压缩率了。首先用鼠标右击目标文件，选择“添加到压缩文件”，勾选“创建固实压缩文件”，在压缩方式下选择“最好”。再切换到“高级”标签页面，点击压缩，弹出“高级压缩参数”对话框，下面根据目标文件的类型进行设置：若为文本类型的文件，在文件压缩栏下选择“强制”，将“预测顺序”设置为“63”（范围为2～63），“内存使用”设置为“256”。这两个值可以根据实际情况设定。值越大，占用的内存资源就越多，而且当解压缩时机器的内存小于压缩时机器内存时，文件可能会出现问题；若为“CD”或其他没有经过压缩的音频文件或视频文件（AVI、MP3文件已经过压缩），可在“音频文件”下选择强制，声道处的设置范围是“0～31”，一般设置为“4”或“0”，设置为“0”时，WinRAR会自动选择声道数。“真彩压缩”选项是专门针对图片文件的，选择其中的“强制”就可以了。最后设置“字典大小”为“4096”，就可以点击确定，进行压缩了。怎么样？压缩率是不是比未设置前大大提高了
基于离散数字编码的蚁群连续优化算法
＊)国家自然科学基金项目(10471045)、广东省自然科学基金(04020079)、华南理工大学自然科学基金(B13-E5050190)。吴广潮 讲师,博士研究生,研究领域为算法设计与分析,数据库与信息处理;黄 翰 博士研究生,研究领域为进化计算方法的理论基础,进化计算方法的优化设计及其应用。 计算机科学2008V ol .35№.3 基于离散数字编码的蚁群连续优化算法＊) 吴广潮1,2 黄 翰2 (华南理工大学数学科学学院 广州510640)1 (华南理工大学计算机科学与工程学院 广州510640) 2 摘 要 本文提出了一种基于离散编码的蚁群连续优化算法(CA CO -D E ),用于求解连续优化问题。以往蚁群算法(A CO )的研究,以求解离散优化问题为主,较少涉及连续优化问题。与经典的A CO 算法不同,CACO -DE 将有限精度的实数转化为一个数字串,数字串的每位取0到9之间的数字,从而实现了用离散编码描述实数的效果。CA CO -DE 延用了经典A CO 算法的框架,并加入了特殊的选择机制、信息素更新方式和局部搜索策略。测试实验结果表明:CA -CO -DE 比以往同类算法求解速度更快且精度更高。关键词 蚁群算法,连续优化,离散数字编码 Ant Colony Continuous Optimization Based on Discrete Numerical Encoding W U G uang -Chao 1,2 H U AN G Han 2 (School of M athematical S cien ces ,S ou th China University of Tech nology ,Guangzhou 510640)1 (S chool of Computer S cien ce and En gineering ,S outh China Univers ity of Technology ,Gu angz hou 510640) 2 A bstract T he pr esented paper pro po ses an ant colony algo rithm fo r continuo us o ptimization (CA CO -DE ).A CO alg o -rithms are alway s used fo r discr ete o ptimizatio n problem s ,but rar ely fo r continuous o ptimiza tion .CA CO -DE is de -sig ned based o n the numerical encoding in which each real numbe r is chang ed into a string made up of character s {0,…,9}.T he leng th o f enco ding depends on the accuracy and dimension of the so lutio n .A r tificial ants construct so lutio ns being guided by a hig h dimensio n phero mone v ector .T he f ramewo rk of the proposed algo rithm is similar to the cla ssi -cal ACO except for the upda ting rule a nd local sear ch stra teg y .So me pr elimina ry re sults o btained o n benchmar k pro b -lems sho w that the new method can so lv e co ntinuous o ptimizatio n problem s faster than o the r a nt and no n -a nt methods .Keywords A nt co lo ny alg o rithm ,Co ntinuous optimizatio n ,Discre te numerical encoding 1 引言 蚁群算法(ACO )[1] 是由M .Do rig o 及其同伴在上世纪90年代提出的一种仿生算法,用于求解如旅行商问题[2]之类的组合优化问题。目前,A CO 算法的应用已经扩展到解决多种优化问题,如:V ehicle Ro uting [3]、Q uadra tic assig nment [3]、Qo S [4]、Job sho p [5]等,但这些问题几乎都是离散优化问题。 与遗传算法、粒子群算法和进化规划算法不同,ACO 算法求解连续优化问题的设计研究较少。第一种求解连续函数优化问题的蚁群算法为Co ntinuous A CO (CA CO )算法[6],其主要思想是将连续区间分段,离散化后区间段视为T SP 问题中的城市。CA CO 算法虽然实现了A CO 算法求解连续优化问题0的突破,但是求解效果并不理想。后期又对CACO 算法作了些改进[7,8],提高了求解的精度,但是改进的程度有 限。后来相应又有A PI [9]和CIAC [10]。另外两种算法出现,取得了一定的改进效果,但这些算法加入了遗传算法等其他计算工具的策略,只是用了A CO 算法的框架而已。最新的算法还有基于正态分布的ACO 算法[11],然而这种算法也需要将区间分段离散化,从而会出现两个缺点:1.算法求解精度有限;2.算法求解的计算复杂度较高,需要花费较多的函数评估次数。 作为改进,本文在文[12]基础上提出了一种新型的求解连续优化问题的A CO 算法:基于离散编码的蚁群算法(CA -CO -DE )。实验结果表明:CACO -D E 比以往其他ACO 算法 求解的效果更好,而且速度更快。 2 AC O 算法基本思想介绍 自然界蚂蚁在其经过的路径上会留下某种生物信息物质(信息素),该物质会吸引蚁群中的其它成员再次选择该段路径。食物与巢穴之前较短的路径容易积累较多的信息素,因而使得更多的蚂蚁选择走该段路径,最终几乎所有的蚂蚁都集中在最短路径上完成食物的搬运。M .Do rigo 等从此现象中抽象出路径选择和信息素积累的数学模型,作为蚁群算法的核心;并通过对蚂蚁寻找最短路径的计算机模拟,实现了对TS P 问题的求解[2]。 按M .Do rigo 的设计[3],蚁群算法的基本框架如图1所示 。 图1 蚁群算法(A CO )的基本框架 一般情况下,A CO 算法可以分为三个部分:生成解(Co n -structA ntsSo lutio ns ),更新信息素(U pdatePhero mone s )和附 加策略(DaemonA ctions )。 · 146·
最优化理论与算法
最优化理论与算法笔记 在老师的指导下，我学习了最优化理论与算法这门课程。最优化理论与算法是一个重要的数学分支，它所研究的问题是讨论在众多方案中什么样的方案最优以及怎样找出最优方案。 由于生产和科学研究突飞猛进的发展，特别是计算机的广泛应用，使最优化问题的研究不仅成为了一种迫切的需要，而且有了求解的有力工具，因此迅速发展起来形成一个新的学科。至今已出现了线性规划、整数规划、非线性规划、几何规划、动态规划、随机规划、网络流等许多分支。 整个学习安排如下，首先介绍线性与非线性规划问题，凸集和凸函数等基本知识及线性规划的基本性质；然后再这个基础上学习各种算法，包括单纯形法、两阶段法、大M法、最速下降法、牛顿法、共轭梯度法等，以及各种算法相关的定理和结论；最后了解各种算法的实际应用。 主要学习的基础知识： 1、一般线性规划问题的标准形式 学会引入松弛变量将一般问题化为标准问题；同时掌握基本可行解的存在问题，通过学习容易发现线性规划问题的求解，可归结为求最优基本可行解的问题。 2、熟练掌握单纯形法、两阶段法和大M法的概念及其计算步骤。
单纯形法是一种是用方便、行之有效的重要算法，它已成为线性规划的中心内容。其计算步骤如下： 1）解 求得 ，令 计算目标函数值 ； 2)求单纯形乘子 ，解 ，得到 ； 3)解 ，若 ，即 的每个分量均非正数，则停止计算，问 题不存在有限最优解，否则，进行步骤（4）； 4)确定下标r，使 ，得到新的基矩阵B，返回第一
步。 两阶段法：第一阶段是用单纯形法消去人工变量，即把人工变量都变换成非基变量，求出原来问题的一个基本可行解；第二阶段是从得到的基本可行解出发，用单纯形法求线性规划的最优解。 大M法：在约束中增加人工变量 ，同时修改目标函数，加上罚项 ，其中 是很大的正数，这样，在极小化目标函数的过程中，由于 的存在，将迫使人工变量离基。 3、掌握最速下降法的概念及其算法，并且能够讨论最速下降算法的收敛性。掌握牛顿法，能够熟练运用牛顿迭代公式： ，掌握共轭梯度法及其相关结论，以及其收敛性的讨论，掌握最小二乘法及其基本步骤。 最速下降法：迭代公式为 。 计算步骤：1）给定点 ，允许误差 置 ； 2）计算搜索方向
启发式优化算法综述
启发式优化算法综述 一、启发式算法简介 1、定义 由于传统的优化算法如最速下降法，线性规划，动态规划，分支定界法，单纯形法，共轭梯度法，拟牛顿法等在求解复杂的大规模优化问题中无法快速有效地寻找到一个合理可靠的解，使得学者们期望探索一种算法:它不依赖问题的数学性能，如连续可微，非凸等特性; 对初始值要求不严格、不敏感，并能够高效处理髙维数多模态的复杂优化问题，在合理时间内寻找到全局最优值或靠近全局最优的值。于是基于实际应用的需求，智能优化算法应运而生。智能优化算法借助自然现象的一些特点，抽象出数学规则来求解优化问题，受大自然的启发，人们从大自然的运行规律中找到了许多解决实际问题的方法。对于那些受大自然的运行规律或者面向具体问题的经验、规则启发出来的方法，人们常常称之为启发式算法（Heuristic Algorithm）。 为什么要引出启发式算法，因为NP问题，一般的经典算法是无法求解，或求解时间过长，我们无法接受。因此，采用一种相对好的求解算法，去尽可能逼近最优解，得到一个相对优解，在很多实际情况中也是可以接受的。启发式算法是一种技术，这种技术使得在可接受的计算成本内去搜寻最好的解，但不一定能保证所得的可行解和最优解，甚至在多数情况下，无法阐述所得解同最优解的近似程度。 启发式算法是和问题求解及搜索相关的，也就是说,启发式算法是为了提高搜索效率才提出的。人在解决问题时所采取的一种根据经验规则进行发现的方法。其特点是在解决问题时,利用过去的经验,选择已经行之有效的方法，而不是系统地、以确定的步骤去寻求答案，
以随机或近似随机方法搜索非线性复杂空间中全局最优解的寻取。启发式解决问题的方法是与算法相对立的。算法是把各种可能性都一一进行尝试，最终能找到问题的答案，但它是在很大的问题空间内，花费大量的时间和精力才能求得答案。启发式方法则是在有限的搜索空间内，大大减少尝试的数量，能迅速地达到问题的解决。 2、发展历史 启发式算法的计算量都比较大，所以启发式算法伴随着计算机技术的发展，才能取得了巨大的成就。纵观启发式算法的历史发展史： 40年代：由于实际需要，提出了启发式算法（快速有效）。 50年代：逐步繁荣，其中贪婪算法和局部搜索等到人们的关注。 60年代: 反思，发现以前提出的启发式算法速度很快，但是解得质量不能保证，而且对大规模的问题仍然无能为力（收敛速度慢）。 70年代：计算复杂性理论的提出，NP问题。许多实际问题不可能在合理的时间范围内找到全局最优解。发现贪婪算法和局部搜索算法速度快，但解不好的原因主要是他们只是在局部的区域内找解，等到的解没有全局最优性。由此必须引入新的搜索机制和策略。 Holland的遗传算法出现了（Genetic Algorithm）再次引发了人们研究启发式算法的兴趣。 80年代以后：模拟退火算法（Simulated Annealing Algorithm），人工神经网络（Artificial Neural Network），禁忌搜索（Tabu Search）相继出现。 最近比较火热的：演化算法（Evolutionary Algorithm）, 蚁群算法（Ant Algorithms），拟人拟物算法，量子算法等。 二、启发式算法类型
粒子群算法优化不同维数的连续函数以及离散函数的最小值问题.
引言 (2) 一、问题描述 (3) 1.1 函数优化问题 (3) 1.2 粒子群算法基本原理 (3) 二、算法设计 (5) 2.1算法流程框图 (5) 2.2 算法实现 (5) 2.3 算法的构成要素 (6) 2.4 算法的改进 (7) 三、算例设计 (8) 3.1 测试函数介绍 (8) 3.2 优化函数特点 (8) 四、仿真实验设计 (10) 4.1 实验参数设计 (10) 4.2 基本粒子群算法在测试函数中应用 (11) 五、仿真实验结果分析 (12) 5.1 实验结果汇总 (12) 5.2 实验结果分析 (13) 六、总结与展望 (14) 6.1总结 (14) 6.2展望 (14) 附录一 (15) 附录二 (17)
引言 本文主要利用粒子群算法解决连续函数以及离散函数的最小值问题，粒子群优化是一种新兴的基于群体智能的启发式全局搜索算法，粒子群优化算法通过粒子间的竞争和协作以实现在复杂搜索空间中寻找全局最优点。它具有易理解、易实现、全局搜索能力强等特点，倍受科学与工程领域的广泛关注，已经成为发展最快的智能优化算法之一。 惯性权重是PSO标准版本中非常重要的参数，可以用来控制算法的开发(exploitation)和探索(exploration)能力。惯性权重的大小决定了对粒子当前速度继承的多少。较大的惯性权重将使粒子具有较大的速度，从而有较强的探索能力；较小的惯性权重将使粒子具有较强的开发能力。关于惯性权重的选择一般有常数和时变两种。算法的执行效果很大程度上取决于惯性权重的选取。 本文介绍了粒子群优化算法的基本原理，分析了其特点，并将其应用于函数优化问题求解。此外，本文根据惯性权重对粒子群优化算法性能影响的研究，提出了三种不同的惯性权重。通过仿真实验，验证了各自的收敛性．同时也说明了惯性权重在粒子群优化算法中有很大的自由度。