智能優化演算法的應用

㈠ 智能優化演算法考博能轉什麼專業

智能優化演算法考博能轉計算機視覺，自然語言處理，與生物醫學相關的專業方向都可以。考博可以換專業，但是如果分數不夠所考的學校，是不容易被調劑的，因為沒有學校願意接受。

可以考慮選擇計算機視覺（computer vision），簡稱CV, 是一門研究如何使機器「看」的科學，也是目前業界招聘最多的方向。比如我們常見的人臉識別技術，語音識別技術，製造業中的自動檢測，工業機器人的控制過程等等，很多人工智慧演算法都最先應用於CV領域。

㈡ 智能優化演算法：灰狼優化演算法

@[toc]
摘要：受 灰 狼 群 體 捕 食 行 為 的 啟 發，Mirjalili等[1]於 2014年提出了一種新型群體智能優化演算法：灰狼優化演算法。GWO通過模擬灰狼群體捕食行為，基於狼群群體協作的機制來達到優化的目的。 GWO演算法具有結構簡單、需要調節的參數少，容易實現等特點，其中存在能夠自適應調整的收斂因子以及信息反饋機制，能夠在局部尋優與全局搜索之間實現平衡，因此在對問題的求解精度和收斂速度方面都有良好的性能。

灰狼屬於犬科動物，被認為是頂級的掠食者，它們處於生物圈食物鏈的頂端。灰狼大多喜歡群居，每個群體中平均有5-12隻狼。特別令人感興趣的是，它們具有非常嚴格的社會等級層次制度，如圖1所示。金字塔第一層為種群中的領導者，稱為 α 。在狼群中 α 是具有管理能力的個體，主要負責關於狩獵、睡覺的時間和地方、食物分配等群體中各項決策的事務。金字塔第二層是 α 的智囊團隊，稱為 β 。 β 主要負責協助α 進行決策。當整個狼群的 α 出現空缺時，β 將接替 α 的位置。 β 在狼群中的支配權僅次於 α，它將 α 的命令下達給其他成員，並將其他成員的執行情況反饋給 α 起著橋梁的作用。金字塔第三層是 δ ，δ 聽從 α 和 β 的決策命令，主要負責偵查、放哨、看護等事務。適應度不好的 α 和 β 也會降為 δ 。金字塔最底層是 ω ，主要負責種群內部關系的平衡。

<center>圖1.灰狼的社會等級制度

此外，集體狩獵是灰狼的另一個迷人的社會行為。灰狼的社會等級在群體狩獵過程中發揮著重要的作用，捕食的過程在 α 的帶領下完成。灰狼的狩獵包括以下 3個主要部分：
1）跟蹤、追逐和接近獵物；
2）追捕、包圍和騷擾獵物，直到它停止移動；
3）攻擊獵物

在狩獵過程中，將灰狼圍捕獵物的行為定義如下：

式（1）表示個體與獵物間的距離，式（2）是灰狼的位置更新公式。其中, 是目前的迭代代數， 和 是系數向量， 和 分別是獵物的位置向量和灰狼的位置向量。 和 的計算公式如下：

其中， 是收斂因子，隨著迭代次數從2線性減小到0, 和 的模取[0,1]之間的隨機數。

灰狼能夠識別獵物的位置並包圍它們。當灰狼識別出獵物的位置後，β 和 δ 在 α 的帶領下指導狼群包圍獵物。在優化問題的決策空間中，我們對最佳解決方案（獵物的位置）並不了解。因此，為了模擬灰狼的狩獵行為，我們假設 α ，β 和 δ 更了解獵物的潛在位置。我們保存迄今為止取得的3個最優解決方案，並利用這三者的位置來判斷獵物所在的位置，同時強迫其他灰狼個體（包括 ω ）依據最優灰狼個體的位置來更新其位置，逐漸逼近獵物。狼群內個體跟蹤獵物位置的機制如圖2所示。

<center>圖2.GWO 演算法中灰狼位置更新示意圖

灰狼個體跟蹤獵物位置的數學模型描述如下:

其中， 分別表示分別表示 α ， β 和 δ 與其他個體間的距離。 分別代表 α ， β 和 δ 的當前位置； 是隨機向量， 是當前灰狼的位置。

式(6)分別定義了狼群中 ω 個體朝向 α ，β 和 δ 前進的步長和方向，式(7)定義了 ω 的最終位置。

當獵物停止移動時，灰狼通過攻擊來完成狩獵過程。為了模擬逼近獵物， 的值被逐漸減小，因此 的波動范圍也隨之減小。換句話說，在迭代過程中，當 的值從2線性下降到0時，其對應的 的值也在區間[-a,a]內變化。如圖3a所示，當 的值位於區間內時，灰狼的下一位置可以位於其當前位置和獵物位置之間的任意位置。當 時，狼群向獵物發起攻擊（陷入局部最優）。

灰狼根據 α ,β 和 δ 的位置來搜索獵物。灰狼在尋找獵物時彼此分開，然後聚集在一起攻擊獵物。基於數學建模的散度，可以用 大於1 或小於-1 的隨機值來迫使灰狼與獵物分離，這強調了勘探（探索）並允許 GWO 演算法全局搜索最優解。如圖3b所示， 強迫灰狼與獵物（局部最優）分離，希望找到更合適的獵物（全局最優）。GWO 演算法還有另一個組件 來幫助發現新的解決方案。由式(4)可知， 是[0,2]之間的隨機值。 表示狼所在的位置對獵物影響的隨機權重， 表示影響權重大，反之，表示影響權重小。這有助於 GWO演算法更隨機地表現並支持探索，同時可在優化過程中避免陷入局部最優。另外，與 不同 是非線性減小的。這樣，從最初的迭代到最終的迭代中，它都提供了決策空間中的全局搜索。在演算法陷入了局部最優並且不易跳出時， 的隨機性在避免局部最優方面發揮了非常重要的作用，尤其是在最後需要獲得全局最優解的迭代中。

<center>圖4.演算法流程圖

[1] Seyedali Mirjalili,Seyed Mohammad Mirjalili,Andrew Lewis. Grey Wolf Optimizer[J]. Advances in Engineering Software,2014,69.

[2] 張曉鳳,王秀英.灰狼優化演算法研究綜述[J].計算機科學,2019,46(03):30-38.

https://mianbaoo.com/o/bread/Z5ecmZc=
文獻復現：
文獻復現：基於翻筋斗覓食策略的灰狼優化演算法（DSFGWO）
[1]王正通,程鳳芹,尤文,李雙.基於翻筋斗覓食策略的灰狼優化演算法[J/OL].計算機應用研究:1-5[2021-02-01]. https://doi.org/10.19734/j.issn.1001-3695.2020.04.0102 .

文獻復現：基於透鏡成像學習策略的灰狼優化演算法（LIS-GWO）
[1]龍文,伍鐵斌,唐明珠,徐明,蔡紹洪.基於透鏡成像學習策略的灰狼優化演算法[J].自動化學報,2020,46(10):2148-2164.

文獻復現：一種優化局部搜索能力的灰狼演算法（IGWO）
[1]王習濤.一種優化局部搜索能力的灰狼演算法[J].計算機時代,2020(12):53-55.

文獻復現：基於自適應頭狼的灰狼優化演算法（ALGWO）
[1]郭陽,張濤,胡玉蝶,杜航.基於自適應頭狼的灰狼優化演算法[J].成都大學學報(自然科學版),2020,39(01):60-63+73.

文獻復現：基於自適應正態雲模型的灰狼優化演算法 （CGWO）
[1]張鑄,饒盛華,張仕傑.基於自適應正態雲模型的灰狼優化演算法[J/OL].控制與決策:1-6[2021-02-08]. https://doi.org/10.13195/j.kzyjc.2020.0233 .

文獻復現：改進非線性收斂因子灰狼優化演算法
[1]王正通,尤文,李雙.改進非線性收斂因子灰狼優化演算法[J].長春工業大學學報,2020,41(02):122-127.

文獻復現：一種基於收斂因子改進的灰狼優化演算法
[1]邢燕禎,王東輝.一種基於收斂因子改進的灰狼優化演算法[J].網路新媒體技術,2020,9(03):28-34.

文獻復現:基於萊維飛行和隨機游動策略的灰狼演算法（GWOM ）
[1]李陽,李維剛,趙雲濤,劉翱.基於萊維飛行和隨機游動策略的灰狼演算法[J].計算機科學,2020,47(08):291-296.

文獻復現:一種改進的灰狼優化演算法(EGWO)
[1]龍文,蔡紹洪,焦建軍,伍鐵斌.一種改進的灰狼優化演算法[J].電子學報,2019,47(01):169-175.

文獻復現:改進收斂因子和比例權重的灰狼優化演算法(CGWO)
[1]王秋萍,王夢娜,王曉峰.改進收斂因子和比例權重的灰狼優化演算法[J].計算機工程與應用,2019,55(21):60-65+98.

文獻復現:一種改進非線性收斂方式的灰狼優化演算法研究(CGWO)
[1]談發明,趙俊傑,王琪.一種改進非線性收斂方式的灰狼優化演算法研究[J].微電子學與計算機,2019,36(05):89-95.

文獻復現:一種基於Tent 映射的混合灰狼優化的改進演算法(PSOGWO)
[1]滕志軍,呂金玲,郭力文,許媛媛.一種基於Tent映射的混合灰狼優化的改進演算法[J].哈爾濱工業大學學報,2018,50(11):40-49.

文獻復現:基於差分進化與優勝劣汰策略的灰狼優化演算法(IGWO)
[1]朱海波,張勇.基於差分進化與優勝劣汰策略的灰狼優化演算法[J].南京理工大學學報,2018,42(06):678-686.

文獻復現:基於 Iterative 映射和單純形法的改進灰狼優化演算法(SMIGWO)
[1]王夢娜,王秋萍,王曉峰.基於Iterative映射和單純形法的改進灰狼優化演算法[J].計算機應用,2018,38(S2):16-20+54.

文獻復現:一種基於混合策略的灰狼優化演算法(EPDGWO)
[1]牛家彬,王輝.一種基於混合策略的灰狼優化演算法[J].齊齊哈爾大學學報(自然科學版),2018,34(01):16-19+32.

文獻復現:基於隨機收斂因子和差分變異的改進灰狼優化演算法(IGWO)
[1]徐松金,龍文.基於隨機收斂因子和差分變異的改進灰狼優化演算法[J].科學技術與工程,2018,18(23):252-256.

文獻復現:一種基於差分進化和灰狼演算法的混合優化演算法(DEGWO)
[1]金星,邵珠超,王盛慧.一種基於差分進化和灰狼演算法的混合優化演算法[J].科學技術與工程,2017,17(16):266-269.

文獻復現:協調探索和開發能力的改進灰狼優化演算法(IGWO)
[1]龍文,伍鐵斌.協調探索和開發能力的改進灰狼優化演算法[J].控制與決策,2017,32(10):1749-1757.

文獻復現:基於Cat混沌與高斯變異的改進灰狼優化演算法(IGWO)
[1]徐辰華,李成縣,喻昕,黃清寶.基於Cat混沌與高斯變異的改進灰狼優化演算法[J].計算機工程與應用,2017,53(04):1-9+50.

文獻復現:具有自適應搜索策略的灰狼優化演算法(SAGWO)
[1]魏政磊,趙輝,韓邦傑,孫楚,李牧東.具有自適應搜索策略的灰狼優化演算法[J].計算機科學,2017,44(03):259-263.

文獻復現:採用動態權重和概率擾動策略改進的灰狼優化演算法(IGWO)
[1]陳闖,Ryad Chellali,邢尹.採用動態權重和概率擾動策略改進的灰狼優化演算法[J].計算機應用,2017,37(12):3493-3497+3508.

文獻復現:具有自適應調整策略的混沌灰狼優化演算法(CLSGWO)
[1]張悅,孫惠香,魏政磊,韓博.具有自適應調整策略的混沌灰狼優化演算法[J].計算機科學,2017,44(S2):119-122+159.

文獻復現:強化狼群等級制度的灰狼優化演算法(GWOSH)
[1]張新明,塗強,康強,程金鳳.強化狼群等級制度的灰狼優化演算法[J].數據採集與處理,2017,32(05):879-889.

文獻復現:一種新型非線性收斂因子的灰狼優化演算法(NGWO)
[1]王敏,唐明珠.一種新型非線性收斂因子的灰狼優化演算法[J].計算機應用研究,2016,33(12):3648-3653.

文獻復現:重選精英個體的非線性收斂灰狼優化演算法(EGWO)
[1]黎素涵,葉春明.重選精英個體的非線性收斂灰狼優化演算法[J].計算機工程與應用,2021,57(01):62-68.

https://mianbaoo.com/o/bread/aZ2Wl54=

㈢ deepthinker是什麼軟體

deepthinker是深度智能演算法軟體。

深度智能演算法PaaS平台－沉思者（DeepThinker），集成公司自主研發的演算法系統，由6大個子系統，自主改進融合了7種RNN網路以及10種CNN網路，對多種信號的多模態語義進行分析、關聯和映射，得出更加完整、准確的演算法識別分析結果。

平台提供可視化可編輯的場景化演算法組件，為各個行業實現從場景化的演算法構建，模型訓練，推理驗證，應用發布等全棧式演算法服務。

相關信息

智能優化演算法要解決的一般是最優化問題。優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。局部搜索就是基於貪婪思想利用鄰域函數進行搜索，若找到一個比現有值更優的解就棄前者而取後者。

優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，本文介紹的模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。

㈣ 智能優化演算法解決了哪些問題

智能優化主要是用來求最優解的，通過多次迭代計算找出穩定的收斂的最優解或近似最優解，例如復雜的單模態或多模態函數的求最值問題。

㈤ 多目標智能優化演算法及其應用的序言

大多數工程和科學問題都是多目標優化問題，存在多個彼此沖突的目標，如何獲取這些問題的最優解，一直都是學術界和工程界關注的焦點問題.與單目標優化問題不同，多目標優化的本質在於，大多數情況下，某目標的改善可能引起其他目標性能的降低，同時使多個目標均達到最優是不可能的，只能在各目標之間進行協調權衡和折中處理，使所有目標函數盡可能達到最優，而且問題的最優解由數量眾多，甚至無窮大的Pareto最優解組成。
智能優化演算法是一類通過模擬某一自然現象或過程而建立起來的優化方法』這類演算法包括進化演算法、粒子群演算法、禁忌搜索、分散搜索、模擬退火、人工免疫系統和蟻群演算法等。和傳統的數學規劃法相比，智能優化演算法更適合求解多目標優化問題。首先，大多數智能優化演算法能同時處理一組解，演算法每運行一次，能獲得多個有效解。其次，智能優化演算法對Pareto最優前端的形狀和連續性不敏感，能很好地逼近非凸或不連續的最優前端。目前，智能優化演算法作為一類啟發式搜索演算法，已被成功應用於多目標優化領域，出現了一些熱門的研究方向，如進化多目標優化，同時，多目標智能優化演算法在電力系統、製造系統和控制系統等方面的應用研究也取得了很大的進展。
本書力圖全面總結作者和國內外同行在多目標智能優化演算法的理論與應用方面所取得的一系列研究成果。全書包括兩部分，共8章。第一部分為第1-4主要介紹了各種多目標智能優化演算法的理論。其中第1章為緒論，介紹各種智能優化演算法的基本思想和原理。第2章介紹多目標進化演算法，主要描述多目標進化演算法的基本原理、典型演算法和各種進化機制與策略，如混合策略、協同進化和動態進化策略等。第3章介紹多目標粒子群演算法，包括基本原理、典型演算法、混合演算法和交互粒子群演算法等。第4章描述除粒子群演算法和進化演算法之外的其他多目標智能優化演算法，主要介紹多目標模擬退火演算法、多目標蟻群演算法、多目標免疫演算法、多目標差分進化演算法和多目標分散搜索等。
第二部分為第5-8章，主要介紹了多目標智能優化演算法的應用』包括神經網路優化、生產調度、交通與物流系統優化、電力系統優化及其他。第5章描述人工神經網路的多目標優化，主要包括Pareto進化神經網路、徑向基神經網路、遞歸神經網路和模糊神經網路。第6章介紹交通與物流系統優化，主要描述了智能優化演算法在物流配送、城市公交路線網路和公共交通調度等方面的應用。

㈥ 優化演算法是什麼

智能優化演算法是一種啟發式優化演算法，包括遺傳演算法、蟻群演算法、禁忌搜索演算法、模擬退火演算法、粒子群演算法等。·智能優化演算法一般是針對具體問題設計相關的演算法，理論要求弱，技術性強。一般，我們會把智能演算法與最優化演算法進行比較，相比之下，智能演算法速度快，應用性強。

群體智能優化演算法是一類基於概率的隨機搜索進化演算法，各個演算法之間存在結構、研究內容、計算方法等具有較大的相似性。

各個群體智能演算法之間最大不同在於演算法更新規則上，有基於模擬群居生物運動長更新的（如PSO，AFSA與SFLA），也有根據某種演算法機理設置更新規則（如ACO）。

(6)智能優化演算法的應用擴展閱讀：

優化演算法有很多，關鍵是針對不同的優化問題，例如可行解變數的取值（連續還是離散）、目標函數和約束條件的復雜程度（線性還是非線性）等，應用不同的演算法。 對於連續和線性等較簡單的問題，可以選擇一些經典演算法，例如梯度、Hessian 矩陣、拉格朗日乘數、單純形法、梯度下降法等；而對於更復雜的問題，則可考慮用一些智能優化演算法。

㈦ 什麼是智能優化演算法

群體智能優化演算法是一類基於概率的隨機搜索進化演算法，各個演算法之間存在結構、研究內容、計算方法等具有較大的相似性。因此，群體智能優化演算法可以建立一個基本的理論框架模式：

Step1：設置參數，初始化種群；

Step2：生成一組解，計算其適應值；

Step3：由個體最有適應著，通過比較得到群體最優適應值；

Step4：判斷終止條件示否滿足？如果滿足，結束迭代；否則，轉向Step2；

各個群體智能演算法之間最大不同在於演算法更新規則上，有基於模擬群居生物運動步長更新的（如PSO，AFSA與SFLA），也有根據某種演算法機理設置更新規則（如ACO）。

(7)智能優化演算法的應用擴展閱讀

優化演算法有很多，經典演算法包括：有線性規劃，動態規劃等；改進型局部搜索演算法包括爬山法，最速下降法等，模擬退火、遺傳演算法以及禁忌搜索稱作指導性搜索法。而神經網路，混沌搜索則屬於系統動態演化方法。

優化思想裡面經常提到鄰域函數，它的作用是指出如何由當前解得到一個（組）新解。其具體實現方式要根據具體問題分析來定。

㈧ 智能優化演算法在人工智慧中的作用

在復雜環境與多體交互中做出最優決策。
智能優化演算法是一種啟發式優化演算法，包括遺傳演算法、蟻群演算法、禁忌搜索演算法、模擬退火演算法、粒子群演算法等。·智能優化演算法一般是針對具體問題設計相關的演算法，理論要求弱，技術性強。

㈨ 智能優化演算法：生物地理學優化演算法

@[toc]
摘要：Alfred Wallace和Charles Darwin在19世紀提出了生物地理學理論，研究生物物種棲息地的分布、遷移和滅絕規律。Simon受到生物地理學理論的啟發，在對生物物種遷移數學模型的研究基礎上，於 2008年提出了一種新的智能優化演算法 — 生物地理學優化演算法（Biogeography-Based Optimization，BBO）。BBO演算法是一種基於生物地理學理論的新型演算法，具有良好的收斂性和穩定性，受到越來越多學者的關注。

BO演算法的基本思想來源於生物地理學理論。如圖1所示，生物物種生活在多個棲息地（Habitat）上，每個棲息地用棲息適宜指數（Habitat Suitability Index，HSI）表示，與HSI相關的因素有降雨量、植被多樣性、地貌特徵、土地面積、溫度和濕度等，將其稱為適宜指數變數（Suitability Index Variables，SIV）。

HSI是影響棲息地上物種分布和遷移的重要因素之一。較高 HSI的棲息地物種種類多；反之，較低 HSI的棲息地物種種類少。可見，棲息地的HSI與生物多樣性成正比。高 HSI的棲息地由於生存空間趨於飽和等
問題會有大量物種遷出到相鄰棲息地，並伴有少量物種遷入；而低 HSI的棲息地其物種數量較少，會有較多物種的遷入和較少物種的遷出。但是，當某一棲息地HSI一直保持較低水平時，則該棲息地上的物種會趨於滅絕，或尋找另外的棲息地，也就是突變。遷移和突變是BBO演算法的兩個重要操作。棲息地之間通過遷移和突變操作，增強物種間信息的交換與共享，提高物種的多樣性。

BBO演算法具有一般進化演算法簡單有效的特性，與其他進化演算法具有類似特點。
（1）棲息適宜指數HSI表示優化問題的適應度函數值，類似於遺傳演算法中的適應度函數。HSI是評價解集好壞的標准。
（2）棲息地表示候選解，適宜指數變數 SIV 表示解的特徵，類似於遺傳演算法中的「基因」。

（3）棲息地的遷入和遷出機制提供了解集中信息交換機制。高 HSI的解以一定的遷出率將信息共享給低HSI的解。
（4）棲息地會根據物種數量進行突變操作，提高種群多樣性，使得演算法具有較強的自適應能力。

BBO演算法的具體流程為：
步驟1 初始化BBO演算法參數，包括棲息地數量 、遷入率最大值 和遷出率最大值 、最大突變率 等參數。
步驟2 初始化棲息地，對每個棲息地及物種進行隨機或者啟發式初始化。
步驟3 計算每個棲息地的適宜指數HSI；判斷是否滿足停止准則，如果滿足就停止，輸出最優解；否則轉步驟4。
步驟4 執行遷移操作，對每個棲息地計算其遷入率和遷出率，對SIV進行修改，重新計算適宜指數HSI。
步驟5 執行突變操作，根據突變運算元更新棲息地物種，重新計算適宜指數HSI。
步驟6 轉到步驟3進行下一次迭代。

1.1 遷移操作

如圖2所示，該模型為單個棲息地的物種遷移模型。

橫坐標為棲息地種群數量 S ，縱坐標為遷移比率 η，λ(s) 和 μ(s) 分別為種群數量的遷入率和遷出率。當種群數量為 0 時，種群的遷出率 μ(s) 為 0，種群的遷入率λ(s) 最大；當種群數量達到 S max 時，種群的遷入率 λ(s)為0，種群遷出率 u(s) 達到最大。當種群數量為 S 0 時，遷出率和遷入率相等，此時達到動態平衡狀態。根據圖2，得出遷入率和遷出率為：

遷移操作的步驟可以描述為：
Step1：for i= 1 to N do
Step2： 用遷入率 選取

Step3： if （0，1）之間的均勻隨機數小於 then
Step4： for j= 1 to N do
Step5： 用遷出率 選取
Step6： if （0，1）之間的均勻隨機數小於 then
Step7： 從 中隨機選取一個變數SIV
Step8： 用SIV替換 中的一個隨機SIV
Step9： end if
Step10： end for
Step11： end if
Step12：end for

1.2 突變（Mutation）操作

突變操作是模擬棲息地生態環境的突變，改變棲息地物種的數量，為棲息地提供物種的多樣性，為演算法提供更多的搜索目標。棲息地的突變概率與其物種數量概率成反比。即

其中： 為最大突變率； 為棲息地中物種數量為 對應的概率； 為 的最大值； 是棲息地中物種數量為 對應的突變概率。

突變操作的步驟可以描述為：
Step1：for i= 1 to N do
Step2： 計算突變概率
Step3： 用突變概率 選取一個變數
Step4： if （0，1）之間的均勻隨機數小於 then
Step5： 隨機一個變數代替 中的SIV
Step6： end if
Step7：end for

[1] Simon D.Biogeography-based optimization[J].IEEE Trans-
actions on Evolutionary Computation，2008（6）：702-713.

[2]張國輝,聶黎,張利平.生物地理學優化演算法理論及其應用研究綜述[J].計算機工程與應用,2015,51(03):12-17.

https://mianbaoo.com/o/bread/aJqZmZ8=

https://mianbaoo.com/o/bread/YZaXmJpq

㈩ 智能優化演算法有哪些

就是通過程序來模擬自然界已知的進化方法來進行優化的方法，比如模擬生物進化的遺傳演算法，模擬自然選擇進行篩選，逐步歸向最大值