智能优化算法报告
群智能优化算法之捕鱼策略算法FSOA
t 1
t 2
收缩搜索
t C 1 t C
收缩搜索
收缩搜索
收缩搜索
公式二
当渔夫在同一点处执行收缩搜索次数达到阀值：
i Q (t 1) X i (t C 1) X i (t C ) 2 L i | Q (t 1) |
C
(0.5,1)
一、群智能优化算法概述 1.1 研究背景
随着科技的发展
遗传算法、萤火 虫算法、蚁群算 法、人工鱼群算 法、免疫算法、 捕鱼策略算法等
优化问题的难度变大
传统优化方法无能为力
群智能算法兴起
一、群智能优化算法概述
1.2 什么是群智能优化算法？ 群智能优化算法（Swarm intelligence Optimization Algorithm）是一种新兴的演化计算技术，是一种能够解许 多全局优化问题的有效方法。 群智能优化算法源于对自然界的生物进化过程或觅食过 程的参考，用搜索空间中点模拟自然界中的个体；将求解问 题的目标函数度量成个体对环境的适应能力，将个体的优胜 劣汰过程或觅食过程类比为搜索和优化过程中用较好的可行 解取代较差的可行解的迭代过程。
重庆邮电大学：计算机科学技术学院
2017.7 群智能优化算法
之
Swarm intelligence optimization algorithm
捕鱼策略算法
报告人：何德牛
Fishing strategy optimization algorithm
目 录
一 二 三 四
群智能优化算法概述 捕鱼策略算法介绍 主要研究成果 发表学术论文
F15 3 2 4
F1 F1 F2 F2 F3 F3 F4 F4
智能优化-TSP-旅行商问题
智能优化实验报告基于遗传算法的TSP问题求解研究一、问题描述1、TSP问题的概述旅行商问题 (Traveling Salesman Problem，简称 TSP) 是一个经典的组合化问题。
它可以描述为：一个商品推销员要去若干个城市推销商品，从一个城出发需要经过所有城市后回到出发地，应如何选择行进路线以使总行程短。
从图论的角度看，该问题实质是在一个带权完全无向图中找一个权值最的小回路。
在寻找最短路径问题上，有时不仅要知道两个指定顶点间的最短路径，还需要知道某个顶点到其他任意顶点间的最短路径。
旅行商问题也是经典的组合数学的问题，生活中随处可见这类组合数学问题。
例如，计算下列赛制下的总的比赛次数:n个球队比赛，每队只和其他队比赛一次。
在纸上画一个网络，用铅笔沿着网络的线路走，在笔不离开纸面且不重复线路的条件下，一笔画出网络图。
一个邮递员从邮局出发，要走完他所管辖的街道，他应该选择什么样的路径，这就是著名的“中国邮递员问题”。
一个通调网络怎样布局最节省?美国的贝尔实验室和IBM公司都有世界一流的组合数学家在研究这个问题，这个问题直接关系到巨大的经济利益。
库房和运输的管理也是典型的组合数学问题，怎样安排运输使得库房充分发挥作用，进一步来说，货物放在什么地方最便于存取。
上述的这些例子中，其中一部分就和旅行商问题有关系。
2、TSP问题研究意义解决旅行商问题有着极其重要的理论和现实意义。
从理论层面来讲，解TSP不仅为其他算法提供了思想方法平台，使这些算法广泛地应用于各种组合优化问题；而且经常被用来测试算法的优劣，如模拟退火算法、禁忌搜索、神经网络、进化算法等，都可用旅行商问题来测试。
从实际应用层面来讲，旅行商问题作为一个理想化的问题，尽管多数的研究成果不是为了直接的应用，但却被广泛地转化为许多组合优化问题，最直接的就是其在交通、物流和大规模生产中的应用。
3、TSP问题的解决TSP问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。
智能优化算法
智能计算读书报告（二）智能优化算法姓名：XX学号：XXXX班级：XXXX联系方式：XXXXXX一、引言智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适用于并行处理的算法。
这种算法一般具有严密的理论依据，而不是单纯凭借专家的经验，理论上可以在一定时间内找到最优解或者近似最优解。
所以，智能优化算法是一数学为基础的，用于求解各种工程问题优化解的应用科学，其应用非常广泛，在系统控制、人工智能、模式识别、生产调度、VLSI技术和计算机工程等各个方面都可以看到它的踪影。
最优化的核心是模型，最优化方法也是随着模型的变化不断发展起来的，最优化问题就是在约束条件的限制下，利用优化方法达到某个优化目标的最优。
线性规划、非线性规划、动态规划等优化模型使最优化方法进入飞速发展的时代。
20世纪80年代以来，涌现出了大量的智能优化算法，这些新颖的智能优化算法被提出来解决一系列的复杂实际应用问题。
这些智能优化算法主要包括：遗传算法，粒子群优化算法，和声搜索算法，差分进化算法，人工神经网络、模拟退火算法等等。
这些算法独特的优点和机制，引起了国内外学者的广泛重视并掀起了该领域的研究热潮，并且在很多领域得到了成功地应用。
二、模拟退火算法（SA）1. 退火和模拟退火模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis 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。
模拟退火算法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。
模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。
鲸鱼优化算法开题报告
鲸鱼优化算法开题报告鲸鱼优化算法开题报告一、引言随着人工智能和机器学习的快速发展，优化算法在解决各种实际问题中发挥着重要作用。
鲸鱼优化算法（Whale Optimization Algorithm，WOA）是一种基于自然界鲸鱼行为的优化算法，由Seyedali Mirjalili于2016年提出。
该算法通过模拟鲸鱼群体的行为，寻找问题的最优解。
本文旨在介绍鲸鱼优化算法的原理、应用领域以及未来的研究方向。
二、鲸鱼优化算法原理鲸鱼优化算法的灵感来源于鲸鱼的群体行为。
鲸鱼是社会性动物，它们通过群体协作来寻找食物和繁殖。
算法中的每个个体被称为“鲸鱼”，每个鲸鱼的位置代表一个解决方案。
算法的目标是通过迭代优化过程，找到问题的最优解。
在鲸鱼优化算法中，每个鲸鱼的位置由其当前位置和速度决定。
通过随机生成初始种群，并计算每个鲸鱼的适应度值，确定种群中的最优解。
然后，根据一定的概率，选择一些鲸鱼作为领导者，并更新其位置和速度。
其余的鲸鱼则通过模仿领导者的行为来更新自己的位置和速度。
这样，整个种群逐渐向最优解靠拢。
三、鲸鱼优化算法的应用领域鲸鱼优化算法在许多领域都有广泛的应用。
其中，最常见的应用是在工程优化问题中。
例如，在电力系统中，鲸鱼优化算法可以用于优化电力的分配和调度，提高电网的效率。
在交通运输领域，该算法可以用于优化交通信号灯的配时，减少交通拥堵。
此外，鲸鱼优化算法还可以应用于机器学习、图像处理、数据挖掘等领域。
四、鲸鱼优化算法的优势与不足鲸鱼优化算法具有以下几个优势。
首先，该算法不需要任何问题的梯度信息，适用于各种类型的优化问题。
其次，鲸鱼优化算法具有较快的收敛速度和较高的精度，能够在较短的时间内找到问题的最优解。
此外，该算法还具有较好的全局搜索能力，可以避免陷入局部最优解。
然而，鲸鱼优化算法也存在一些不足之处。
首先，算法的参数设置对结果的影响较大，需要进行精细调节。
其次，算法在处理高维问题时效果不佳，容易陷入维度灾难。
基于蚁群优化算法的TSP问题求解计算智能实验报告
智能计算实验报告学院：班级：学号：姓名：成绩：日期：实验名称：基于蚁群优化算法的TSP问题求解题目要求：利用蚁群优化算法对给定的TSP问题进行求解，求出一条最短路径。
蚁群优化算法简介：蚁群算法是一中求解复杂优化问题的启发式算法，该方法通过模拟蚁群对“信息素”的控制和利用进行搜索食物的过程，达到求解最优结果的目的。
它具有智能搜索、全局优化、稳健性强、易于其它方法结合等优点，适应于解决组合优化问题，包括运输路径优化问题。
TSP数据文件格式分析：本次课程设计采用的TSP文件是att48.tsp ，文件是由48组城市坐标构成的，文件共分成三列，第一列为城市编号，第二列为城市横坐标，第三列为城市纵坐标。
数据结构如下所示：实验操作过程：1、TSP文件的读取：class chengshi {int no;double x;double y;chengshi(int no, double x, double y) {this.no = no;this.x = x;this.y = y;}private double getDistance(chengshi chengshi) {return sqrt(pow((x - chengshi.x), 2) + pow((y - chengshi.y), 2));}}try {//定义HashMap保存读取的坐标信息HashMap<Integer, chengshi> map = new HashMap<Integer,chengshi>();//读取文件BufferedReader reader = new BufferedReader(new (new )));for (String str = reader.readLine(); str != null; str = reader.readLine()) { //将读到的信息保存入HashMapif(str.matches("([0-9]+)(\\s*)([0-9]+)(.?)([0-9]*)(\\s*)([0-9]+)(.?)([0-9]*)")) {String[] data = str.split("(\\s+)");chengshi chengshi = new chengshi(Integer.parseInt(data[0]),Double.parseDouble(data[1]),Double.parseDouble(data[2]));map.put(chengshi.no, chengshi);}}//分配距离矩阵存储空间distance = new double[map.size() + 1][map.size() + 1];//分配距离倒数矩阵存储空间heuristic = new double[map.size() + 1][map.size() + 1];//分配信息素矩阵存储空间pheromone = new double[map.size() + 1][map.size() + 1];for (int i = 1; i < map.size() + 1; i++) {for (int j = 1; j < map.size() + 1; j++) {//计算城市间的距离，并存入距离矩阵distance[i][j] = map.get(i).getDistance(map.get(j));//计算距离倒数，并存入距离倒数矩阵heuristic[i][j] = 1 / distance[i][j];//初始化信息素矩阵pheromone[i][j] = 1;}}} catch (Exception exception) {System.out.println("初始化数据失败！");}}2、TSP作图处理：private void evaporatePheromone() {for (int i = 1; i < pheromone.length; i++)for (int j = 1; j < pheromone.length; j++) {pheromone[i][j] *= 1-rate;}}3、关键源代码（带简单的注释）：蚂蚁类代码:class mayi {//已访问城市列表private boolean[] visited;//访问顺序表private int[] tour;//已访问城市的个数private int n;//总的距离private double total;mayi() {//给访问顺序表分配空间tour = new int[distance.length+1];//已存入城市数量为n，刚开始为0n = 0;//将起始城市1,放入访问结点顺序表第一项tour[++n] = 1;//给已访问城市结点分配空间visited = new boolean[distance.length];//第一个城市为出发城市，设置为已访问visited[tour[n]] = true;}private int choosechengshi() {//用来random的随机数double m = 0;//获得当前所在的城市号放入j,如果和j相邻的城市没有被访问，那么加入mfor (int i = 1, j = tour[n]; i < pheromone.length; i++) {if (!visited[i]) {m += pow(pheromone[j][i], alpha) * pow(heuristic[j][i], beta);}}//保存随机数double p = m * random();//寻找随机城市double k = 0;//保存城市int q = 0;for (int i = 1, j = tour[n]; k < p; i++) {if (!visited[i]) {k += pow(pheromone[j][i], alpha) * pow(heuristic[j][i], beta);q = i;}}return q;}城市选择代码：private int choosechengshi() {//用来random的随机数double m = 0;//获得当前所在的城市号放入j,如果和j相邻的城市没有被访问，那么加入mfor (int i = 1, j = tour[n]; i < pheromone.length; i++) {if (!visited[i]) {m += pow(pheromone[j][i], alpha) * pow(heuristic[j][i], beta);}}//保存随机数double p = m * random();//寻找随机城市double k = 0;//保存城市int q = 0;for (int i = 1, j = tour[n]; k < p; i++) {if (!visited[i]) {k += pow(pheromone[j][i], alpha) * pow(heuristic[j][i], beta);q = i;}}return q;}4、算法运行收敛图（即运行到第几步，求得的最优值是多少）：run：本次为倒数第100次迭代,当前最优路径长度为41634.60本次为倒数第99次迭代,当前最优路径长度为41514.21本次为倒数第98次迭代,当前最优路径长度为38511.61本次为倒数第97次迭代,当前最优路径长度为38511.61本次为倒数第96次迭代,当前最优路径长度为38511.61本次为倒数第95次迭代,当前最优路径长度为38511.61本次为倒数第94次迭代,当前最优路径长度为37293.07、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、、本次为倒数第6次迭代,当前最优路径长度为37293.07本次为倒数第5次迭代,当前最优路径长度为37293.07本次为倒数第4次迭代,当前最优路径长度为37293.07本次为倒数第3次迭代,当前最优路径长度为37293.07本次为倒数第2次迭代,当前最优路径长度为37293.07本次为倒数第1次迭代,当前最优路径长度为37293.07得到的最优的路径长度为: 37293.075、最终求得的最优解的TSP图像：最优路径如下：→1→9→38→31→44→18→7→28→37→19→6→30→43→27→17→36→46→33→15→12→11→23→14→25→13→20→47→21→39→32→48→5→29→2→26→4→35→45→10→42→24→34→41→16→22→3→40→8→1成功生成（总时间：3 秒）实验结果分析：本次通过JA V A语言实现蚁群优化算法，我们发现虽然我们找到了问题的最优解，但是最优解的收敛性并不乐观，并不能求得问题的精确解，并且随着参数的调节运行结果有随机性。
智能优化算法求解作业车间调度问题的开题报告
智能优化算法求解作业车间调度问题的开题报告一、选题背景作业车间调度问题（Job Shop Scheduling Problem，JSSP）是一类经典的组合优化问题，在工业生产、物流配送、交通调度等领域都有广泛的应用。
JSSP的基本思想是安排生产车间中若干个作业在一定的约束条件下完成生产目标，使得车间完成时间最短或生产效率最高等。
JSSP是一个强 NP 难问题，随着生产产能的不断提高，问题规模也越来越大，传统的优化算法在解决大规模JSSP问题时遇到了很大的挑战。
因此，如何高效地解决复杂的JSSP问题是当前亟需解决的问题。
二、研究内容本文将探讨基于智能优化算法的JSSP求解方法。
智能优化算法作为一种高效的全局优化方法，在解决NP 难问题方面具有很大的潜力。
本论文将研究多个智能优化算法（如遗传算法、粒子群算法、蚁群算法等）在JSSP中的应用，并对这些算法的表现进行比较和分析。
特别地，本文将对JSSP问题进行多目标优化求解，同时考虑完成时间、车间利用率等多个目标，以提高解决问题的综合效果。
三、研究意义本研究的意义如下：（1）为解决实际生产中遇到的JSSP问题提供有效的解决方案。
（2）比较研究多种智能优化算法在JSSP中的表现，为复杂问题的求解提供有益的参考。
（3）该研究探讨了多目标优化方法在JSSP中的应用，可以帮助相关领域的研究者深入理解多目标优化算法的特点和优点，为未来复杂问题的求解提供启示。
四、研究方法本文将使用Python语言实现所述的智能优化算法，并将其应用于JSSP中，对求解结果进行比较和分析。
基本的研究步骤包括：（1）阅读JSSP的相关文献，了解问题的基本概念和求解方法。
（2）实现遗传算法、粒子群算法、蚁群算法等多个智能优化算法并进行性能测试。
（3）将所述算法应用于JSSP中，对多个实例进行求解，比较算法的表现。
（4）研究多目标优化在JSSP中的具体应用方法，并将结果与单目标优化进行比较。
人工智能算法优化与应用项目可行性分析报告
人工智能算法优化与应用项目可行性分析报告一、项目背景随着信息技术的快速发展，人工智能（AI）已经成为当今社会的热门话题和重要研究领域。
人工智能算法作为实现人工智能的核心技术之一，其优化和应用对于推动人工智能的发展和应用具有重要意义。
本项目旨在对人工智能算法进行优化，并将其应用于实际场景中，以提高算法的性能和应用效果。
二、项目目标1、优化现有人工智能算法，提高算法的准确性、效率和稳定性。
2、将优化后的算法应用于图像识别、语音识别、自然语言处理等领域，开发出具有实用价值的应用系统。
3、通过项目的实施，培养一支具有丰富经验和创新能力的人工智能算法研发团队。
三、项目可行性分析（一）技术可行性1、现有技术基础目前，人工智能算法已经取得了长足的发展，在深度学习、机器学习、强化学习等领域都有了较为成熟的理论和技术。
同时，开源的人工智能框架和工具如 TensorFlow、PyTorch 等也为算法的开发和优化提供了便利。
2、技术团队我们拥有一支具备丰富经验和专业知识的技术团队，团队成员在人工智能算法、软件开发、系统架构等方面都有深入的研究和实践经验。
他们能够熟练运用各种技术手段，对人工智能算法进行优化和应用开发。
3、技术难点及解决方案在项目实施过程中，可能会遇到算法复杂度高、数据量巨大、模型训练时间长等技术难点。
针对这些难点，我们将采用分布式计算、模型压缩、数据增强等技术手段来解决。
（二）市场可行性1、市场需求随着人工智能技术在各个领域的广泛应用，对人工智能算法的需求也日益增长。
特别是在图像识别、语音识别、自然语言处理等领域，市场对高性能、高精度的算法有着迫切的需求。
2、市场竞争目前，国内外已经有众多企业和研究机构在从事人工智能算法的研发和应用。
但我们相信，通过对算法的优化和创新应用，我们能够在市场竞争中脱颖而出，赢得客户的认可和市场份额。
3、市场前景随着人工智能技术的不断发展和应用场景的不断拓展，人工智能算法的市场前景非常广阔。
高校优化算法实验报告
一、实验背景与目的随着科学技术的不断发展，优化算法在各个领域中的应用越来越广泛。
为了提高算法的效率和解的质量，本实验旨在让学生深入了解优化算法的基本原理，并通过实际操作掌握算法的设计与实现。
通过本次实验，学生能够：1. 理解优化算法的基本概念和分类；2. 掌握常见优化算法的原理和实现方法；3. 能够运用优化算法解决实际问题；4. 培养学生的创新思维和动手能力。
二、实验内容与步骤本次实验选取了以下三种优化算法进行实践：遗传算法、模拟退火算法和粒子群优化算法。
1. 遗传算法（1）算法原理遗传算法是一种模拟自然界生物进化过程的优化算法。
它通过模拟自然选择、交叉和变异等过程，不断优化解的质量。
（2）实现步骤① 定义问题参数：包括染色体编码、种群规模、交叉概率、变异概率等。
② 初始化种群：随机生成一定数量的染色体。
③ 适应度评估：计算每个染色体的适应度值。
④ 选择：根据适应度值选择优秀染色体。
⑤ 交叉：将选中的染色体进行交叉操作，生成新的后代。
⑥ 变异：对后代进行变异操作，增加种群的多样性。
⑦ 更新种群：将新后代替换部分旧染色体。
⑧ 重复步骤③至⑦，直到满足终止条件。
2. 模拟退火算法（1）算法原理模拟退火算法是一种基于物理退火过程的优化算法。
它通过模拟固体在高温下的退火过程，使系统逐渐达到最低能量状态。
（2）实现步骤① 初始化参数：包括初始温度、冷却速率、终止条件等。
② 随机生成初始解。
③ 计算当前解的适应度值。
④ 随机生成一个新解。
⑤ 计算新解的适应度值。
⑥ 按照一定概率接受新解。
⑦ 降温：降低温度。
⑧ 重复步骤③至⑥，直到满足终止条件。
3. 粒子群优化算法（1）算法原理粒子群优化算法是一种基于群体智能的优化算法。
它通过模拟鸟群或鱼群的社会行为，寻找问题的最优解。
（2）实现步骤① 初始化参数：包括粒子数量、惯性权重、个体学习因子、全局学习因子等。
② 初始化粒子位置和速度。
③ 计算每个粒子的适应度值。
④ 更新粒子的个体最优位置和全局最优位置。
算法优势总结报告范文(3篇)
第1篇一、引言随着信息技术的飞速发展，算法已成为现代社会不可或缺的技术支撑。
从互联网搜索到自动驾驶，从金融风控到医疗诊断，算法的应用已经渗透到各行各业。
本报告旨在总结各类算法的优势，分析其在不同领域的应用价值，为我国算法技术的发展提供参考。
二、算法概述算法（Algorithm）是一系列解决问题的步骤，它通过一系列操作将输入转化为输出。
在计算机科学中，算法是程序设计的核心，是解决复杂问题的基石。
根据不同的分类标准，算法可以分为多种类型，如：排序算法、搜索算法、图算法、机器学习算法等。
三、算法优势总结1. 高效性算法的高效性体现在两个方面：时间复杂度和空间复杂度。
一个好的算法能够在有限的时间内完成大量的计算任务，降低计算成本。
例如，快速排序算法在平均情况下具有较高的时间复杂度，但实际运行速度却远超其他排序算法。
2. 可靠性算法的可靠性是指其在各种情况下都能稳定运行，不会出现错误。
为了提高算法的可靠性，研究人员通常会采用多种测试方法，如单元测试、集成测试、性能测试等。
3. 可扩展性算法的可扩展性是指其能够适应不同规模的数据。
一个好的算法不仅能够处理小规模数据，还能够应对大规模数据的挑战。
例如，分布式算法能够在多台计算机上并行处理数据，提高处理速度。
4. 泛化能力算法的泛化能力是指其能够适应不同类型的问题。
一个好的算法不仅能够解决特定领域的问题，还能够解决其他领域的问题。
例如，深度学习算法在图像识别、语音识别等领域取得了显著成果，其泛化能力得到了广泛认可。
5. 智能化随着人工智能技术的发展，算法逐渐向智能化方向发展。
智能化算法能够自主学习、适应环境，提高解决问题的能力。
例如，强化学习算法能够通过不断尝试和错误，找到最优策略。
四、算法在不同领域的应用1. 互联网搜索互联网搜索是算法应用最为广泛的领域之一。
搜索引擎通过关键词匹配、页面相关性计算等算法，为用户提供精准的搜索结果。
近年来，深度学习算法在图像识别、语音识别等领域取得了突破，进一步提升了搜索引擎的智能化水平。
智能计算实验报告总结(3篇)
第1篇一、实验背景随着计算机科学、人工智能、大数据等领域的快速发展，智能计算技术逐渐成为当前研究的热点。
为了更好地掌握智能计算的基本原理和应用，我们进行了为期两周的智能计算实验。
本次实验旨在让学生通过实践操作，加深对智能计算理论知识的理解，提高解决实际问题的能力。
二、实验内容1. 实验环境本次实验所使用的软件平台为Python，主要利用NumPy、Pandas、Scikit-learn等库进行智能计算实验。
硬件环境为个人计算机，操作系统为Windows或Linux。
2. 实验步骤（1）数据预处理数据预处理是智能计算实验的第一步，主要包括数据清洗、数据集成、数据转换等。
通过NumPy和Pandas库对实验数据进行预处理，为后续的智能计算模型提供高质量的数据。
（2）特征工程特征工程是智能计算实验的关键环节，通过对原始数据进行降维、特征选择等操作，提高模型的预测性能。
本实验采用特征选择方法，利用Scikit-learn库实现。
（3）模型选择与训练根据实验需求，选择合适的智能计算模型进行训练。
本次实验主要涉及以下模型：1）线性回归模型：通过线性回归模型对实验数据进行预测，分析模型的拟合效果。
2）支持向量机（SVM）模型：利用SVM模型对实验数据进行分类，分析模型的分类性能。
3）决策树模型：采用决策树模型对实验数据进行预测，分析模型的预测性能。
4）神经网络模型：使用神经网络模型对实验数据进行分类，分析模型的分类性能。
（4）模型评估与优化对训练好的模型进行评估，根据评估结果对模型进行优化。
主要采用以下方法：1）交叉验证：利用交叉验证方法评估模型的泛化能力。
2）参数调整：通过调整模型参数，提高模型的预测性能。
3）特征选择：根据模型评估结果，重新进行特征选择，进一步提高模型的性能。
三、实验结果与分析1. 数据预处理经过数据清洗、数据集成、数据转换等操作，实验数据的质量得到了显著提高。
预处理后的数据满足后续智能计算模型的需求。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
应用遗传算法求解十滴水游戏
————智能优化算法课程报告
黄青虬
2014年12月31日
1十滴水游戏简介
如图一所示，十滴水游戏是在一个6×6的棋盘上，通过填补水滴来引爆原有的水滴，直到棋盘上所有水滴消失。
棋盘上每个格子可以放0、1、2、3、4滴水，当格子上有4滴水时，再往上面滴一滴水，则该水滴会爆，即格子上的水滴变为0，同时向四周各溅出一滴水，溅出的水如果遇到其他水滴就会并入，如果并入后水滴数又大于4了，则会有新一轮的引爆。
点击格子则在其上面滴一滴水。
水滴是有限制的，如图一，右上角会有一个水缸显示当前你还可以用的水滴数。
每引爆三滴水可以让水缸增加一滴水。
图1:十滴水游戏
从游戏规则可以看出，十滴水游戏的状态空间是非常巨大的（36k），对于解的步数比较长的的局面（比如每个点上的水滴数均为1的局面），想通过搜索求解几乎是不可能的。
所以要通过智能优化算法来求解近似最优解。
以下分析用遗传算法求解每个点上的水滴数均为1的局面。
2遗传算法概念在十滴水游戏中的具体实例
染色体：一个点，代表在该格子上舔一滴水。
个体：一个长度为h的染色体（点）数组，代表添水序列，即一个解。
种群：一个规模为n的个体数组。
适应度：
fit(s)={
36∗4+
∑6
i=1
∑6
j=1
−drop[i][j],if无法清空
36∗4+(50−l)2∗10,if清空
(1)
其中l表示个体清空局面所需要的染色体数。
选择：根据个体的适应度，算出该个体被选出的概率，然后在种群中选出个体进行交配个
体i被选出的概率为：
P s(i)=
fit(i)∑n
k=1
fit(k)
从这个公式可以看出，适应度越大的被选出的概率越大，所以可以实现优胜劣汰。
交叉：根据概率P c，两个个体交换部分染色体。
变异：根据概率P m，该个体变异一个染色体。
最大迭代代数：循环迭代次数M。
3参数选取
算法中可以调整的参数有以下几个：
个体的染色体长度h，种群规模n，交叉概率P c，变异概率P m，最大迭代代数M
经过试验，发现50步以上基本就可以解决任何一个局面，所以选取h=50。
发现迭代次数在150以上基本就收敛了，所以选取M=200。
种群规模n，交叉概率P c，变异概率P m通过线性扫描实验选取最佳值，实验结果如下：
图2:P c扫描结果
从P c的扫描结果可以看出，对于此问题，P c取0.4左右比较合适。
这与一般的遗传算法的经验值是接近的。
实验中选取P c=0.4。
图3:P m扫描结果
从P m的扫描结果可以看出，对于此问题，P m取0.4左右比较合适。
这个值与一般的遗传算法经验值（0.1左右）相比要大。
这可能是由这个问题的特殊性所决定的。
首先，这个问题并不是随机生成一个个体都是问题的解，这个与典型的遗传算法所解决的问题是不太一样的。
其次，这个游戏点击的灵活度非常高，即随便乱点也可能会出现比较好的结果，以上两点就决定了针对这个问题，需要变异的概率比较高，即P m比较大。
实验中选取P m=0.4。
图4:P opulation扫描结果
从P opulation的扫描结果可以看出，对于这个问题，种群数量越大效果越好，这个也是符合遗传算法的假设的，但是由于种群数量的增大会同时增大计算复杂度。
所以实际问题中需要一个折中。
针对这个问题，实验中选取P opulation=400。
注：实验中的fitness是指种群中所有个体的平均性能，并进行了归一化处理。
下同。
4实验结果
4.120次随机实验统计结果
平均fitness：0.0367,即40.4214步。
方差：5.8665×10−5
图5:20次随机实验结果
最佳fitness：0.0488,即38.9546步。
最差fitness：0.0186,即43.1809步。
4.2典型的性能曲线
图6:性能变化曲线
4.3近似最优解
通过实验，给出如下一个38步的近似最优解：
(1,1),(2,2),(2,3),(4,2),(4,4),(3,0),(4,2),(2,4),(3,2),(5,2),(3,1),(4,2),(2,2),(3,4),(3,1),(0,3),(3,3),(2,3), (2,4),(4,3),(1,1),(2,5),(4,2),(0,3),(3,0),(5,5),(0,2),(3,4),(1,3),(3,3),(2,3),(5,1),(2,2),(2,0),(2,3),(4,1), (3,2),(2,1)
5遗传算法在组合优化中的特点
具有与问题领域无关切快速随机的搜索能力。
搜索从群体出发，具有潜在的并行性，可以进行多个个体的同时比较。
比较鲁棒。
使用概率机制进行迭代，具有随机性，比较灵活。
具有可扩展性，容易与其他算法结合。
6实验体会
本次的十滴水游戏求解实际上是人工智能课上的一个作业，不过在人工智能课上老师要求的是用搜索和机器学习两种方法去求解。
联想到这门课的内容，于是想到了遗传算法。
一开始打算用遗传算法来解决的时候主要的困难在于建模。
即如何把遗传算法的各个概念实例化为十滴水游戏中。
经过对遗传算法的仔细理解和对游戏规则的挖掘，最终成功建立了模型。
接下来遇到的一个困难就是参数的选取，由于遗传算法中许多参数的选取并没有非常直接的证明，都是要根据经验和实际问题具体设定。
所以实验中只好用线性扫描的办法，求解出较优的参数。
最终结果也验证这些参数的效果还是不错的。
经过这次具体的实践，我体会到了，其实智能优化算法由于都比较成熟了，所以本身并不是很难，难的主要在于两点：第一个是模型的建立，即如何把一个实际问题模型化为一个可以用智能优化算法解决的问题；第二个是参数的选取，由于许多智能优化算法都是有很多可以调的参数的，而这些参数的调整主要是靠经验和对实际问题的分析，所以参数的选取也是一个比较难的问题，需要多实践也许才能更好的掌握调整参数的技巧。
7课程体会
通过这门课了解了很多种智能优化算法，也体会到了他们的强大之处。
确实智能优化算法在解决一些复杂问题时有着不可替代的地位和别的算法所不能比拟的好处。
同时也通过作业深入认识了其中一种算法–遗传算法，学会了如何建立算法所需的模型，如何运用算法去解决实际问题。
总之，通过这门课学到的许多东西都让我觉得受益匪浅。