遗传算法的优化计算——建模自变量降维
42个模型方法论
42个模型方法论在机器学习领域，有许多不同的模型方法论，每种方法论都有其独特的优点和局限性。
本文将介绍42个常见的模型方法论，包括监督学习、无监督学习、半监督学习、强化学习和迁移学习等。
这些方法论可以帮助研究人员选择合适的模型方法来解决各种问题。
1.线性回归：通过拟合一个线性模型来预测连续结果变量。
2.逻辑回归：将线性回归模型转换为二元分类问题。
3.决策树：基于特征的分裂来构建一个树形结构，用于预测结果变量。
4.随机森林：集成多个决策树，通过投票或平均来提高预测性能。
5.支持向量机：通过找到最优的超平面来分隔不同类别的样本。
6.朴素贝叶斯：基于贝叶斯定理，通过特征的独立性假设来估计类别。
7.K最近邻：根据最近邻居的类别来预测新样本的类别。
8.主成分分析：通过降维来找到数据集的主要成分。
9.聚类分析：将相似的样本分组为簇。
10.关联规则学习：通过发现不同项集之间的关联规则来发现模式。
11.神经网络：通过模拟人类神经系统来实现复杂的模型。
12.深度学习：使用多层神经网络来提高学习性能。
13.强化学习：通过试错的方式来学习如何做出决策。
14.遗传算法：通过模拟自然选择来优化解决方案。
15.贝叶斯网络：用于建模变量之间的概率关系。
16.隐马尔可夫模型：用于序列数据的概率建模。
17.支持向量回归：与支持向量机类似，用于预测连续结果变量。
18.回归树：与决策树类似，用于预测连续结果变量。
19.弱分类器：通过组合多个弱分类器来提高预测性能。
20.集成学习：通过集成多个模型来提高预测性能。
21.聚合模型：通过组合多个模型来减少方差。
22. Bagging：通过自助采样来训练多个模型。
23. Boosting：通过调整样本权重来优化模型。
24. Stacking：通过组合多个模型的预测值来生成最终预测。
25.无监督学习：不使用标记信息来训练模型。
26.半监督学习：利用少量标记样本和大量未标记样本来训练模型。
27.迁移学习：将已学习的知识迁移到新领域的问题上。
【计算机工程与设计】_问题求解_期刊发文热词逐年推荐_20140726
107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160
科研热词 蚁群算法 遗传算法 组合优化 粒子群优化算法 禁忌搜索 旅行商问题 进化策略 资源配置 粒子群算法 插值 并行计算 局部搜索 全局收敛 任务调度 飞机调度 非线性方程组 需求实现 集装箱装载 降维 问题求解环境 量子 重量 配送中心 遗传算法参数 速度半径 选播路由 选址模型 适应度函数 运动拼接网格 车辆路径问题 路径规划 跨层设计 超宽带 调度生成器 计算流体动力学 计算机视觉 解空间树 规则归纳 装配序列规划 融合 蛋白质相互作用网络 虹膜定位 航班规划 航天测控网 自适应遗传算法 自适应变异 自动化仓库 自主迁移 能量函数 背包问题 网络拥塞控制 网络
2008年 序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52
综合评价 组件软件框架 组件式蚁群算法 线性规划 索引 精细积分 粗糙集 粒子群优化 算法 简单遗传算法 突变 空间压缩 空中交通管理 空中交通流量管理 移动域控制 离散事件 禁忌遗传优化算法 现金流 环境敏感度 特殊正交矩阵 特征降维 特征选择 特征服务 特征抽取 特征值分离度 特征值估计 热力学演化算法 消链 测地线搜索 正区域 正交函数 模糊遗传算法 核属性 样条函数 树型多级库存 标准差 极大极小距离 极大一致链 杂交算子 机器学习 服务质量 服务器建模 有约束非线性整数规划 有向关联图 最速下降法 最短路径算法 最小二乘拟合 最大流 最优控制 曲线拟合 时间窗口 时间复杂度 时滞 时变需求
数据挖掘与统计决策--学科概述 聚类分析 因子分析
一、数据挖掘学科概述——信息化发展与数据挖掘
1、企业信息化建设：各类管理信息系统、决策支持系统等， 如MRP（Material Requirements Planning,物料需求计划系 统）、MRPII（Manufacturing Resource Planning,制造资源 计划系统）、ERP（Enterprise Resource Planning,企业资 源计划系统）、ERPII（协同商务与智能商务的ERP）。 2、电子商务建设：信息流、资金流、物流、商务智能、协同 商务的模式与技术。 3、电子政务建设：利用互联网实现法律、法规、政策等的宣 传、引导和监控。
问题：上述六个变量如何转换为【0，1】无量纲数据？
取四个值中的最大M=1.5，最小m=-1.5，由公式 y=(x-m)/(M-m)=(x+1.5)/(1.5+1.5), 分别把x转换为如下y： X=1.5,y=1, X=-1.5,y=0, X=0.5,y=0.63, X=-0.5,y=0.37
二、数据挖掘方法——聚类分析
一、数据挖掘学科概述——信息化发展与数据挖掘
决策支持系统定义(Decision Supporting Systems,简记DSS） 指能够综合利用各种数据、 信息知识、 人工智能 和模型技术,
辅助高级决策者解决半结构化或非结构化决策问题的人机交互信息系统 .
一、数据挖掘学科概述——信息化发展与数据挖掘
一、数据挖掘学科概述
数据挖掘定义（Data Mining,简记DM）
对数据库中潜在的、不明 显的数据关系进行分析与建模的 算法。
一、数据挖掘学科概述
1、信息化发展与数据挖掘
五十年代初 : 产生数据处理系统(Data Processing Systems, 简记DPS) 或 电子数据处理系统 (Electronic Data Processing Systems, 简记EDP) 七十年代初: 产生MIS；七十年代末: 产生DSS 八十年代中: 产生专家系统(ES)、智能决策支持系统 (IDSS)、智能管理系统(IMS) 九十年代中：产生综合决策支持系统（Synthetic Decision Supporting Systems，简记SDSS，SDSS= IDSS+数据仓库+数据挖掘。
基于遗传算法寻优的SVR雾霾预测模型
基于遗传算法寻优的SVR雾霾预测模型宗晓萍;武子瀚;刘言【摘要】针对雾霾天气愈发严重及难以预测的问题,提出一种以GA(遗传算法)优化支持向量回归机(SVR)参数的预测模型.首先利用因子分析对气象因子降维,然后再通过GA对SVR的参数寻优,并把最优参数带入SVR模型,对保定PM2.5浓度进行预测.对比参数模型的预测结果,为雾霾预测选出一种新的模型.【期刊名称】《河北大学学报（自然科学版）》【年(卷),期】2016(036)003【总页数】5页(P307-311)【关键词】PM2.5预测;SVR;因子分析;GA【作者】宗晓萍;武子瀚;刘言【作者单位】河北大学电子信息工程学院,河北保定 071002;河北大学-罗克韦尔自动化实验室,河北保定 071002;河北大学电子信息工程学院,河北保定 071002;河北大学电子信息工程学院,河北保定 071002【正文语种】中文【中图分类】TP183雾霾是发生在大气近地面层中的一种灾害天气，会对人民的正常生活产生影响.同时，雾霾发生在近地层，使得大气污染增强,空气质量下降,对人体健康造成严重危害[1].中国工程院院士钟南山指出，雾霾不但影响呼吸系统，而且对心血管、脑血管、神经系统等也有着严重的危害[2].中央气象台首席预报员马学款指出，雾霾是可以预测的，然而提高预测的准确率是一个难题，主要原因是：雾霾多发生在大气浅层，地表复杂的条件，众多的影响因素，使得准确预测难度很大[3].建立合理的预测模型是雾霾预测的基础，支持向量回归机(SVR)在解决小样本、非线性问题中表现出独特优势.本文通过对保定市PM2.5例证，探讨支持向量回归方法应用于PM2.5预测的可行性[4].1.1 支持向量回归机基本原理支持向量回归机(SVR)是Vapnik开发的基于统计学习理论的新一代机器学习技术[5]，能够较好地解决小样本、非线性、高维数和局部极小点等实际问题，并成功应用于分类、回归、时间序列预测等领域[6-8].支持向量机基思想如图1所示.图中空心圆和叉是2类样本，H∶ωTx+b=0是它们之间的分类超平面，H1∶ωTx+b=-1，H2∶ωTx+b=1分别是过各类样本中距离H最近的超平面，分类间隔为Δ.设有一个训练集标本，记为{Xi,Yi},i=1,2,…,l,Yi∈{-1,1},Xi∈Rd，假设，在这个空间里，存在一个超平面H∶ωTx+b=0可以将该属性空间中的样本准确分类，同时，也存在，2个平行于该超平面的超平面H1和H2，使距离H最近的2类样本刚好分别落在H1和H2上，而其他的训练样本将位于H1和H2之外，满足约束条件：Yi(ω·xi+b)-1≥0，超平面H1和H2的距离为：，支持向量机就是要寻找一个超平面H，该超平面正确的把样本分成2部分，并使H1和H2间距最大.要找到这样一个超平面，只需要最大化间隔margin.构建以下问题：对上式求最优解，即可得到最优分类超平面.支持向量回归算法本质上和分类一样，只不过所求的最优超平面并非间隔最大化，而是满足分类偏差最小的超平面.支持向量机的关键在于核函数.不同的核函数会导致SVR推广性不同，根据具体的数据选择恰当的核函数十分重要，以下经验规则可以借鉴：如果特征数远小于样本数的情况下，一般使用RBF.根据已选定的样本与特征因子，选用RBF作为核函数. 以RBF为核函数的SVR中惩罚参数C和RBF核参数g是提高模型推广能力的重要参数[9].惩罚参数C和RBF核参数g的优化便成为提高模型精度的关键.1.2 遗传法算遗传算法将求解的问题表示为染色体，进而构成染色体一群，根据优胜劣汰的原则，从中选择出适应性强的染色体进行复制、交叉、变异操作，产生出更优的染色体群，一代的群体通过以上的过程不断地进化，最后收敛于一个最能适应环境的个体上，得到最优解[10-11].由于使用了Matlab的GA工具箱：SGA采用二进制编码，SGA适应度函数为FitnV=ranking(-ObjV)，交叉折叠数V为5，进化代数maxgen为200，种群范围sizepop为20，C取值范围(0,500)，g取值范围(0,1 000)，代沟gap为0.9. 2.1 气象因子的选取鉴于本文中主要针对PM2.5的时间序列特性进行SVR建模与预测.考虑数据统一性与验证方法的普适化主要选取了保定市2013年12月1日—2015年3月14日的温度、露点、湿度、气压、风速、PM2.5、降水等气象因子样本.所选取数据来自中国天气网和国家环保部数据中心.由于网络问题等原因，原始数据中存在着一定的数据缺失.对于连续长度不超过5 h的数据缺失，采用线性插值的方法对缺失数据进行补充.对于更长时间(>5 h)的数据缺失则对该段舍去，通过求原序列中最大连续子串来获得连续的数据.保定市的PM2.5数据经提取之后分别含有3.65%的缺失数据，经过上述处理后所使用的数据具有可信度.赵晨曦[12]研究发现PM2.5的质量浓度与气温、相对湿度、风速、气压、水汽凝结点(露点)[3]等气象因子有一定的相关性.2.1.1 气象因子相关性分析为了提高训练效率，减少相关性弱的因子对预测的干扰，采用因子分析法对气象因子降维.因子分析主要研究相关阵和协方差阵的内部依赖关系，将多个变量转化为几个因子，从而达到再现原始数据和因子之间关系的目的[13-14].而在主从分析法中，新变量维数与原始变量维数相同没有达到降维的目的，不符合要求.使用统计软件IBM SPSS因子分析功能，可以生成相关系数， KMO检验表格.直观的描述了样本之间的相关性，比较了样本的简单相关系数和偏相关系数的指标. 分析结果表明：PM2.5在数值上与温度、气压、相关性较小，与湿度、露点、风速相关性较大，故选取相关性较大的气象因素作为训练样本.去纲量化的气压相关性提升较大，选做输入因子.2.1.2 对训练样本进行KMO检验使用SPSS对气象因子进行KMO检验，训练样本的 Kaiser-Meyer-Olkin 度量为0.759.检验结果表明：KMO为0.759，KMO>0.7表示较适合做因子分析，变量偶对之间的相关性能被其他变量解释，可以做因子分析.2.2 PM2.5预测主要步骤Step1:数据预处理，将原始数据降维，并将筛选后的数据进行归一化处理.Step2:遗传算法对惩罚参数C和RBF核参数g寻优.Step3:利用最优参数训练SVR.Step4:利用训练好的数学模型，进行预测.Step5:将保定市2015年3月15日的气象信息输入模型，对比PM2.5预测值与实际值.使用遗传算法对SVR参数寻优流程图如图2.2.3 遗传算法对SVR模型参数寻优将保定市2013年12月1日—2015年3月14日的气象资料带入模型训练进行参数寻优，适应度曲线如图3所示.3.1 预测实验使用遗传算法获得的惩罚参数C和核函数参数g，输入SVR得到预测模型，将3月15日的气象因子输入预测模型，得到3月15日PM2.5 24 h内的变化曲线.图4为实际数据与预测数据对比图.3.2 实验结果分析图4是预测模型得出的PM2.5预测值和PM2.5实际值的对比图.SVR与遗传算法结合后能较好地捕捉PM2.5与特征向量之间的非线性关系.实验结果表明:PM2.5预测值与PM2.5实际值虽然存在一定的误差，但是整体曲线拟合度比较高，而且预测曲线变化趋于平缓 (图4,2∶00—11∶00).遇到PM2.5出现较大波动时，预测曲线十分敏感(图4,11∶00—14∶00)，预测曲线能够更快地响应实际曲线的变化，具有较好的跟踪性.在PM2.5曲线缓慢上升时(图4,14∶00—20∶00)，预测曲线与实际曲线有一定误差，但是增长率相似.就总体而言，在PM2.5的实际曲线保持平稳或较稳定的变化时预测曲线几乎与实际曲线保持平行，表现出较好的拟合性，在PM2.5的实际曲线出现剧烈波动时，预测曲线能够快速的响应变化，表现出较好的跟随性.1)针对雾霾天气愈发严重及难以准确预测的问题，本文通过使用SVR与遗传算法的结合对保定市2015年3月15日PM2.5变化曲线进行预测，通过上图中PM2.5预测值与实际值的对比得出结论：SVR与遗传算法参数寻优结合组成的模型对PM2.5预测有较好的效果.2)由于使用数据为PM2.5实时值，并且具有较大的纲量，把 MSE作为预测结果的评价标准不太准确.所以本文中使用点线图作为对比，较直观地展示出预测结果.3)通过实例证实SVR对PM2.5的预测，精度较高，跟随性较好.4)由于资料所限对于气象因子的选取有一定局限性，忽略了下垫面及中低层环流[15]等因素对雾霾的生成的影响，因此添加更加合理的输入因子，是模型提高预测准确性的主要改进方向.【相关文献】[1] 张人禾，李强，张若楠.2013年1月中国东部持续性强雾霾天气产生的气象条件分析[J].中国科学:地球科学，2014，44(1):27-36.DOI:10.1007/s11430-013-4774-3.ZHANG Renhe,LI Qiang,ZHANG Ruonan.Meteorological conditions for the persistent severe fog and haze event over eastern China in January 2013[J].Science China:Earth Sciences,2014，44(1)：27-36.DOI:10.1007/s11430-013-4774-3.[2] 杨卓森.雾霾污染致人体健康效应的研究进展[J].职业与健康,2014,30(17):2517-2520. YANG Zhuosen.Research progress of haze pollution induced health effects inhumans[J].Occupation and Health,2014,30(17):2517-2520.[3] 谢忠军.霾预报,世界级“疑难杂症”[N].中国气象报,2013-02-14 (1).[4] 常涛.支持向量机在大气污染预报中的应用研究[J].气象,2006,32(12):61-65.CHANG Tao.Application of support vector machine to atmospheric pollution Prediction[J].Meteorological Monthly,2006,32(12):61-65.[5] RALAIVOLA L,D’ALCHE-BUC F.Incremental support vector machine learning:a local approach[Z].International Conference on Neural Networks,Vienna Austria,2001.[6] 邓乃扬,田英杰.数据挖掘中的新方法——支持向量机[M].北京:科学出版社,2006:224-235.[7] 李国正,王猛,曾华军.支持向量机导论[M].北京:电子工业出版社,2005:98-105.[8] 白鹏,张喜斌,张斌,等.支持向量机理论及工程应用实例[M].西安:西安电子科技大出版社,2008:41-55.[9] 林升梁,刘志.基于RBF核函数的支持向量机参数选择[J].浙江工业大学学报,2007,35(2):163-167LIN Shengliang,LIU Zhi.Parameter selection in SVM with RBF kernel function [J].Journal of Zhejiang University of Technology,2007,35 (2):163-167.[10] 马永杰，云文霞.遗传算法研究进展[J].计算机应用研究,2012,29(4):1201-1210.MA Yongjie,YUN Wenxia.Research progress of genetic algorithm[J].Application Research of Computers,2012,29(4):1201-1210.[11] 蔡自兴.人工智能及其应用[M].北京：清华大学出版社,2007:249-283.[12] 赵晨曦，王云琦，王玉杰,等.北京地区冬春 PM 2.5 和 PM 10 污染水平时空分布及其与气象条件的关系[J].环境科学,2014,35(2):418-427.ZHAO Chenxi,WANG Yunqi,WANG Yujie,et al.Temporal and spatial distribution of PM2.5 and PM10 pollution status and the correlation of particulate matters and meteorological factors during winter and spring in Beijing [J].Environmental Science,2014,35 (2):418-427.[13] 林海明.因子分析应用中一些常见问题的解析[J].统计与决策,2012,8(15):65-69.LIN Haiming.Analysis of factor analysis of some common problems in the application [J].Statistics and Decision,2012,8(15):65-69.[14] 周全.几种多元统计分析方法及其在生活中的应用[D].武汉:长江大学,2012.ZHOU Quan.The intorduction.of several multivariate statistical method and lts application[D].Wuhan:Yangtze University,2012.[15] 陈瑞敏,吴雁,康文英，等.连续雾霾天气污染物浓度变化及天气形势特征分析 [J].气候与环境研究 ,2014,19(2):209-218.DOI:10.3878/j.issn.1006-9585.2014.13156.CHEN Ruimin,WU Yan,KANG Wenying，et al.Analysis of pollutant concentrations and characteristics of continuous smoggy weather [J].Climatic and Environmental Research,2014,19 (2):209-218.DOI:10.3878/j.issn.1006-9585.2014.13156.。
遗传神经网络在累积性环境风险评价中的应用
项 目 （ １ ） 中美 国际 合 作 项 目（ ００ Ｆ ９ ９０ 。 ９６ ； ２ １ Ｄ Ａ １ １ ）
作 者 简 介 ：陈凯 （９ ７ ） 男 ， 科 ， 事 环境 风 险分 析 与管 理 １ ８一 ， 本 从
方 向 的研 究 。
一
１一
第 ４卷
第 ２期
陈
凯 等 ． 传 神 经 网络 在 累 积 性 环 境 风 险 评 价 中的 应 用 遗
感 目标 等 风 险 受 体 是 造 成 太 湖 流 域 常 州 段 累 积性 水 环 境 风 险 较 大 的 主要 原 因 。 关 键 词 ： 传 神 经 网络 ； 积 性 环 境 风 险 评 价 ； 湖 流 域 遗 累 太
中图 分 类 号 ： ８ ４ Ｘ ２ 文 献 标 识 码 ：Ａ 文 章 编 号 ： ６４ ６ ３ （０ ２ ２ ０ ０ — ６ １ ７ — ７ ２ ２ １ 卜０ — ０ １ ０
一
笔 者采用 浮点 数编码 方式 ， 权值 和阈值 连在 将 起 组 成染 色体 ， 色体 的长 度 Ｓ ＝Ｒ×Ｓ 染 ＋Ｓ × 。 式 中 ： —— 输 入 数 量 ； ， Ｒ Ｓ —— 隐 含 层 结 点 数 ；
．— —输 出数 量 。 ｓ ：
Ｓ２ ＋ Ｓｌ ＋ Ｓ 。 ２
且 缺乏 自学 习 、 自适 应 能力 。Ｂ Ｐ神 经 网 络 （ ａ ｋ Ｂ ｃ．
２１ ０ ２年 ４月
当前 国 内主 流 的评 价 指标 筛 选 和综 合 评判 方 法 包括层 次分 析法 、 专家 咨询 法 、 主成分分 析法 、 灰 关 联分 析 法 、 值 法 等 。这 些 方 法 在 实 际 应 用 墒
中具有极 大 的主 观性 ， 处理 非 线 性 问题 能 力 较 差 ，
研究复杂系统优化建模与求解方法
研究复杂系统优化建模与求解方法一、引言随着信息时代的到来，现代社会已经进入了一个高速发展的时期，大量的信息和数据正在不断积累，这也使得现代的社会系统变得越来越复杂。
为了更好地理解这些复杂系统，我们需要进行建模和求解。
本文将介绍研究复杂系统优化建模与求解方法。
二、复杂系统的优化建模1. 复杂系统的概念复杂系统是由许多相互作用和相互关联的组件组成的系统，这些组件在不同层次上相互作用，使得系统整体呈现出一些难以预测和理解的行为，如生物系统、经济系统、社会系统、信息系统等。
复杂系统的建模是研究复杂系统优化问题的基础。
2. 复杂系统的建模方法复杂系统的建模方法主要有概率模型、非概率模型、系统动力学模型和代理模型等。
其中，概率模型主要用于对系统的不确定性进行建模；非概率模型主要用于对系统的确定性进行建模；系统动力学模型主要用于对系统的动态演化进行建模；代理模型主要用于对系统的复杂性进行降维处理。
3. 系统优化建模的基本步骤系统优化建模的基本步骤包括问题定义、假设建立、数据收集、建模构建、模型评价和实验验证等。
三、复杂系统的求解方法1. 基于数学规划的求解方法数学规划在复杂系统优化问题的求解中占据着重要地位。
它的基本思想是将复杂系统的目标函数和约束条件用数学表达式表示出来，然后采用优化算法求解最优解。
主要包括线性规划、非线性规划、整数规划、混合规划等。
2. 基于进化算法的求解方法进化算法是一类以进化过程为基础的智能优化算法，它是通过模拟生物进化过程实现搜索最优解的算法。
常用的进化算法有遗传算法、蚁群算法、粒子群优化算法等。
3. 基于模拟退火的求解方法模拟退火是一种随机优化算法，在求解复杂系统优化问题时也有广泛的应用。
它的基本思想是模拟传统的退火过程，在随机性中找到最优解，其主要过程包括选择解、新解的生成、新解的接受和温度降低等。
四、优化建模与求解方法的应用1. 生物系统优化建模与求解生物系统是一个典型的复杂系统，其建模和求解具有重要的理论和应用价值。
求解三维装箱问题的混合遗传模拟退火算法
求解三维装箱问题的混合遗传模拟退火算法一、本文概述装箱问题，也称为装箱优化问题，是一类广泛存在于现实生活中的组合优化问题。
特别是在物流、工业工程、计算机科学等领域，装箱问题以其高度的复杂性和实际应用价值而备受关注。
其中，三维装箱问题更是因其涉及物品的三维形状和空间利用率的优化而显得尤为复杂。
近年来，随着智能优化算法的发展，遗传算法和模拟退火算法等启发式搜索算法在求解此类问题上展现出了强大的潜力。
本文旨在探讨一种结合遗传算法和模拟退火算法的混合算法，以求解三维装箱问题。
我们将首先介绍三维装箱问题的定义、特点以及求解难度，然后详细阐述混合遗传模拟退火算法的设计原理、实现过程以及关键参数的选择。
通过对比实验和结果分析，我们将验证该混合算法在求解三维装箱问题上的有效性和优越性。
本文的主要内容包括：三维装箱问题的数学模型及求解难点分析；混合遗传模拟退火算法的设计和实现；算法性能的实验验证与对比分析；以及结论与展望。
通过本文的研究，我们期望能为三维装箱问题的求解提供一种新的有效方法，并为相关领域的实际应用提供理论支持和实践指导。
二、相关理论基础三维装箱问题（Three-Dimensional Bin Packing Problem,3D-BPP）是一个经典的组合优化问题，涉及到如何将一组不同尺寸的三维物体有效地放入有限数量的容器中，同时尽可能减少容器的使用数量。
由于该问题的复杂性，传统的数学方法往往难以在合理的时间内找到最优解，因此，启发式算法和元启发式算法在求解此类问题上显示出其独特的优势。
遗传算法（Genetic Algorithm, GA）是一种基于自然选择和遗传学原理的优化搜索算法。
它通过模拟生物进化过程中的选择、交叉、变异等操作，在问题的解空间中寻找最优解。
遗传算法具有较强的全局搜索能力，但容易陷入局部最优解，导致搜索效率降低。
模拟退火算法（Simulated Annealing, SA）则是一种基于物理退火过程的优化算法。
具有修正策略的改进NSGA-Ⅱ三维路径规划
300机械设计与制造Machinery Design&Manufacture第5期2021年5月具有修正策略的改进NSGA-II三维路径规划封建湖1,郑宝娟1,封硕2,张婷宇1(1.长安大学理学院，陕西西安710064；.长安大学工程机械学院，陕西西安710064)摘要:针对传统多目标遗传算法存在收敛速度慢和难以得到Pareto最优解的缺点，提出了一种在三维环境下具有修正策略的改进带精英策略的非支配排序的遗传算法(NSGA-II)o首先建立能使路径最短、能耗最小、起伏最少的多目标函数;其次加入修正算子来减少冗余的路径点，实现快速收敛；然后在选择算子中加入辅助决策算子来比较优先级,提高解的多样性。
为了测试改进算法的效果,将传统算法与改进算法进行对比,改进算法得到的解更优且在不同环境下具有多个Pareto前沿分布解,其中修正算子使迭代次数减少了约63%,验证了改进算法的可行性和有效性。
关键词：三维路径规划;改进NSGA-II；修正算子；Pareto解中图分类号:TH16；TP242.6文献标识码:A文章编号：1001-3997(2021)05-0300-05The Three-Dimensional Path Planning Based on anImproved NSGA2-II with Modified StrategyFENG Jian-hu1,ZHENG Bao-juan1,FENG Shuo2,ZHANG Ting-yu1(1.School of Sciences,Chang'an University,Shaanxi Xi'an710064,China;2.School of Construction Machinery,Chang'an University,Shaanxi Xi'an710064,China)Abstract:In view of the shortcomings of convergence speed and difficult to get Pareto's optimal solution,an improved NSGA-II with a modified strategy is proposed to plan the optimal collision-free path for a mobile robot in three-dimensional environment.Firstly,the optimization targets involving the shortest path,minimum energy consumption and least fluctuation were determined.Secondly,a modified operator was added to reduce redundant path points to achieve fast convergence. Meanwhile,an auxiliary decision operator was added to the selection operator to compare the priorities and reinforce the diversity ofsolutions.The traditional algorithm compares with the improved algorithm in order to verify the effectiveness ofthe improved algorithm,using improved NAGA-II not only obtains a more satisfactory Pareto solution,but also get better diversity ofsolutions in Pareto optimalfront in different cases,t he modified operator reduces the number qfiterations by about 63%,which verify that the improved algorithm owns betterfeasibility and effectiveness.Key Words:Three-Dimensional Path Planning；Improved NSGA-II；Modified Operator；Pareto Solution1引言路径规划是机器人定位与导航领域研究的热点问题之一，目前的路径规划方法如蚁群算法,粒子群算法,蜂群算法,萤火虫算法及混合算法等|1-3］多用于二维平面空间规划。
- 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)。
%% 清空环境变量 clear all clc warning off %% 声明全局变量 global P_train T_train P_test T_test mint maxt S s1 S=30; s1=50; %% 导入数据 load data.mat a=randperm(569); Train=data(a(1:500),:); Test=data(a(501:end),:); % 训练数据 P_train=Train(:,3:end)'; T_train=Train(:,2)'; % 测试数据 P_test=Test(:,3:end)'; T_test=Test(:,2)'; % 显示实验条件 total_B=length(find(data(:,2)==1)); total_M=length(find(data(:,2)==2)); count_B=length(find(T_train==1)); count_M=length(find(T_train==2)); number_B=length(find(T_test==1)); number_M=length(find(T_test==2)); disp('实验条件为：'); disp(['病例总数：' num2str(569)... ' 良性：' num2str(total_B)... ' 恶性：' num2str(total_M)]); disp(['训练集病例总数：' num2str(500)... ' 良性：' num2str(count_B)... ' 恶性：' num2str(count_M)]); disp(['测试集病例总数：' num2str(69)... ' 良性：' num2str(number_B)... ' 恶性：' num2str(number_M)]); %% 数据归一化 [P_train,minp,maxp,T_train,mint,maxt]=premnmx(P_train,T_train); P_test=tramnmx(P_test,minp,maxp); %% 创建单BP网络 t=cputime; net_bp=newff(minmax(P_train),[s1,1],{'tansig','purelin'},'trainlm'); % 设置训练参数 net_bp.trainParam.epochs=1000; net_bp.trainParam.show=10; net_bp.trainParam.goal=0.1; net_bp.trainParam.lr=0.1; net_bp.trainParam.showwindow=0; %% 训练单BP网络 net_bp=train(net_bp,P_train,T_train); %% 仿真测试单BP网络 tn_bp_sim=sim(net_bp,P_test); % 反归一化 T_bp_sim=postmnmx(tn_bp_sim,mint,maxt); e=cputime-t; T_bp_sim(T_bp_sim>1.5)=2; T_bp_sim(T_bp_sim<1.5)=1; result_bp=[T_bp_sim' T_test']; %% 结果显示（单BP网络） number_B_sim=length(find(T_bp_sim==1 & T_test==1)); number_M_sim=length(find(T_bp_sim==2 &T_test==2)); disp('(1)BP网络的测试结果为：'); disp(['良性乳腺肿瘤确诊：' num2str(number_B_sim)... ' 误诊：' num2str(number_B-number_B_sim)... ' 确诊率p1=' num2str(number_B_sim/number_B*100) '%']); disp(['恶性乳腺肿瘤确诊：' num2str(number_M_sim)... ' 误诊：' num2str(number_M-number_M_sim)... ' 确诊率p2=' num2str(number_M_sim/number_M*100) '%']); disp(['建模时间为：' num2str(e) 's'] ); %% 遗传算法优化 popu=20; bounds=ones(S,1)*[0,1]; % 产生初始种群 % initPop=crtbp(popu,S); initPop=randint(popu,S,[0 1]); % 计算初始种群适应度 initFit=zeros(popu,1); for i=1:size(initPop,1) initFit(i)=de_code(initPop(i,:)); end initPop=[initPop initFit]; gen=100; % 优化计算 [X,EndPop,BPop,Trace]=ga(bounds,'fitness',[],initPop,[1e-6 1 0],'maxGenTerm',... gen,'normGeomSelect',0.09,'simpleXover',2,'boundaryMutation',[2 gen 3]); [m,n]=find(X==1); disp(['优化筛选后的输入自变量编号为:' num2str(n)]); % 绘制适应度函数进化曲线 figure plot(Trace(:,1),Trace(:,3),'r:') hold on plot(Trace(:,1),Trace(:,2),'b') xlabel('进化代数') ylabel('适应度函数') title('适应度函数进化曲线') legend('平均适应度函数','最佳适应度函数') xlim([1 gen]) %% 新训练集/测试集数据提取 p_train=zeros(size(n,2),size(T_train,2)); p_test=zeros(size(n,2),size(T_test,2)); for i=1:length(n) p_train(i,:)=P_train(n(i),:); p_test(i,:)=P_test(n(i),:); end t_train=T_train; %% 创建优化BP网络 t=cputime; net_ga=newff(minmax(p_train),[s1,1],{'tansig','purelin'},'trainlm'); % 训练参数设置 net_ga.trainParam.epochs=1000; net_ga.trainParam.show=10; net_ga.trainParam.goal=0.1; net_ga.trainParam.lr=0.1; net_ga.trainParam.showwindow=0; %% 训练优化BP网络 net_ga=train(net_ga,p_train,t_train); %% 仿真测试优化BP网络 tn_ga_sim=sim(net_ga,p_test); % 反归一化 T_ga_sim=postmnmx(tn_ga_sim,mint,maxt); e=cputime-t; T_ga_sim(T_ga_sim>1.5)=2; T_ga_sim(T_ga_sim<1.5)=1; result_ga=[T_ga_sim' T_test']; %% 结果显示（优化BP网络） number_b_sim=length(find(T_ga_sim==1 & T_test==1)); number_m_sim=length(find(T_ga_sim==2 &T_test==2)); disp('(2)优化BP网络的测试结果为：'); disp(['良性乳腺肿瘤确诊：' num2str(number_b_sim)... ' 误诊：' num2str(number_B-number_b_sim)... ' 确诊率p1=' num2str(number_b_sim/number_B*100) '%']); disp(['恶性乳腺肿瘤确诊：' num2str(number_m_sim)... ' 误诊：' num2str(number_M-number_m_sim)... ' 确诊率p2=' num2str(number_m_sim/number_M*100) '%']); disp(['建模时间为：' num2str(e) 's'] ); function[W1,B1,W2,B2,val]=gadecod(x) global p t r s1 s2 W1=zeros(s1,r); W2=zeros(s2,s1); B1=zeros(s1,1); B2=zeros(s2,1); % 前r*s1个编码为W1 for i=1:s1 for k=1:r W1(i,k)=x(r*(i-1)+k); end end % 接着的s1*s2个编码(即第r*s1个后的编码)为W2 for i=1:s2 for k=1:s1 W2(i,k)=x(s1*(i-1)+k+r*s1); end end % 接着的s1个编码(即第r*s1+s1*s2个后的编码)为B1 for i=1:s1 B1(i,1)=x((r*s1+s1*s2)+i); end % 接着的s2个编码(即第r*s1+s1*s2+s1个后的编码)为B2 for i=1:s2 B2(i,1)=x((r*s1+s1*s2+s1)+i); end % 计算S1与S2层的输出 A1=tansig(W1*p,B1); A2=purelin(W2*A1,B2); % 计算误差平方和 SE=sumsqr(t-A2); % 遗传算法的适应值 val=1/SE; function[sol,val]=gabpEval(sol,options) global s for i=1:s x(i)=sol(i); end; [W1,B1,W2,B2,val]=gadecod(x); function [sol,Val]=fitness(sol,options) global S