遺傳演算法線性規劃
1. 線性規劃整數解有簡便方法嗎 線性規劃整數解除了用畫圖法還有什麼別的方法有隻用代數的方法嗎
整數線性規劃的解法總結
0-1整數線性規劃是整數線性規劃的特殊情況,在實際中有著廣泛的應用.雖然變數的取值只有兩個,但此類問題的求解卻意外的困難,下面把有關的一些解法總結一下.
1.窮舉法 把所有可能的解一一代入,然後比較滿足約束的解,使目標函數最達到最優的解是最優解.這不失為一種方法,但不是一種好方法.如果問題規模大,則無法在可接受的時間內求得最優解.這也是求解整數規劃的困難所在.
2.隱枚舉法I 是窮舉法的改進,其思路是先給出一個可行解,然後代入目標函數算出函數值得到一個上界（如果求最小值）或下界（如果是求最大值）.然後一一檢驗其它的解,如果該解大於上界或小於下界,則不用檢驗可行性,因為它不可能是最優解,否則的話就要檢驗可行性,如果是可行解,則修改上界或下界,繼續檢驗其它的解,否則不用修改上界或下界,直接檢驗其它的解.這種方法通過上界或下界來控制是否需要進行可行性檢驗,提高了效率.但是,要找可行解也得花一定的時間,當約束和變數較多時,工作量異常的大,退一步來說,即使可行解比較容易找到,但其產生的上界太大,或是下界太小,則其過濾的效果也不明顯.這是這種方法的缺陷.
3.隱枚舉法II 這種方法先把問題轉化成標准型,然後按照分枝定界法的思想,盡量少的檢驗可行解來尋找最優解.這種方法比較麻煩,我在這里也描述不清楚,過幾天理解透了再來寫這一部分.
4.隱枚舉法III 這是在程冬時,張聲年在江西電力職業技術學院學報上發表的一篇文章《關於0-1型整數規劃的若干問題》中提出來的,大致的思路是：把所有可能的解都代入目標函數算出值,然後把這些目標函數值進行排序,如果是求最大值,則降序排列,如果是求最小值則升序排列.然後按這個順序一個一個的檢驗對應的解的可行性,當碰到第一個可行解時即得到最優解,因為其它的解不會優於此解了.這種方法的缺陷也是明顯的,如果變數為N個,則需求2的N次個目標函數值,然後還要進行排序,這又是項工作量很大的工作,再一個就是,如果排序結果是把可行解排在最後一個,那還是得進行2的N次方次檢驗.
4.啟發式演算法 遺傳演算法,蟻群演算法等都可歸於此類.這都是隨機演算法,說白了就是聽天由命,即使算出了最優解你也不知道是不是最優解,因為此類演算法的收斂性都只是依概率收斂的,真正在算的過程中是否已得到最優只有上帝知道.啟發式演算法是萬不得已的情況下才使用的,我們用這種方法只能保證得到的解比其它方法得到的好,但不一定就說得到了最優了.
0-1規劃的求解方法還在研究之中,也許你會發現一個有效的演算法.
2. 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）。
(2)遺傳演算法線性規劃擴展閱讀
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。
3. 節約里程法屬於線性規劃嗎
節約里程法不屬於線性規劃。
在物流配送路徑優化研究中，常見的方法有啟發式演算法、遺傳演算法等，具體以線性規劃法、表上作業法、圖表分析作業法、節約里程法為常用方法。
表上作業法是指用列表的方法求解線性規劃問題中運輸模型的計算方法。是線性規劃一種求解方法。
4. 遺傳演算法能不能解決線性規劃順便舉個例子或者鏈接吧。
當然可以了，不過就是看你這個線性規劃的約束條件怎麼設置，一般可以在求適應度的時候設置為可行域外適應度值取一個足夠大的數
5. matlab中遺傳演算法求解帶約束非線性規劃問題
是非線性約束
再單獨寫個.M文件，像目標函數那樣，把兩個約束條件寫進去，在約束區有個「Nonlinear constraint function」 @+"你的約束文件名"
6. Matlab中用遺傳演算法求解帶約束的非線性規劃問題
按我的理解x是個6元向量
那麼就沒有問題 在第一個M文件最後加個f=fsum;
直接
ga(@fitnessfun,6,[],[],[],[],[],[],@nonlconstr)
7. 請幫忙用遺傳演算法編寫兩個求線性規劃的問題（題目見圖一和圖二）。
作！業！自！己！做！！！
8. 求助大神 利用遺傳演算法解決非線性規劃問題，最好有MATLAB代碼
%%%%%%%%%%%
無聊到專門幫你寫了個程序。不想全部寫完，自己補完。PS：這題怎麼看都是線性規劃
&&&&&&&&&&&&&&
%%%%%%%%%%%%%%利用遺傳演算法計算最優化問題%%%%%%%
%遺傳演算法參數設置
popsize=200; %種群個數
generation=500;%種群迭代次數，繁殖後代數
pc=0.4; %兩個體之間交叉概率
pm=0.05; %個體變異的概率
yueshu=0; %約束成立的標志為1
%初始化群體
for i=1:popsize
while(yuesu==0) %當約束成立時，不再變異。約束不成立時變異。
x(i,1)=randint(1,1,[0,35]); %隨機生成（0-35）的整數
x(i,2)=randint(1,1,[0,60]);
x(i,3)=randint(1,1,[0,40]);
x(i,4)=randint(1,1,[0,40]);
x(i,5)=randint(1,1,[0,30]);
x(i,6)=randint(1,1,[0,30]);
x(i,7)=randint(1,1,[0,35]);
x(i,8)=randint(1,1,[0,20]);
%這里自己寫幾行程序就好
if
%這里判斷約束條件，若符合，yueshu=1；
end
end
end
for n=1:generation
%計算適應度
[row col]=size(x);
for i=1:row
fitness(i)=(x(i,1)+x(i,2)+x(i,3)+x(i,5)+x(i,6)+x(i,7)+x(i,8))/20;
end
%輪盤賭選擇
zong=sum(fitness);
xt=x;
for i=1:row
temp=rand(1);
for j=1:row
if temp< fitness(j)/zong
break;
end
end
x(i,:)=xt(j,:);
end
%兩個個體交叉變異
x2=x;
[row col]=size(x);
for i=1:2:row
temp=rand(1);
if temp<pc
%%%%%%%%%%%%%這里還要自己寫個程序判斷是否符合約束，不符合一直交叉，直到交叉到符合約束
point=randint(1,1,[1,8]);
x(i,point:8)=x2(i+1,point:8);
x(i+1,1:point)=x2(i,1:point);
end
end
%單個點變異
x3=x;
[row col]=size(x);
for i=1:row
for j=1:8
temp=rand(1);
if(temp<pm)
yueshu=0;
while(yueshu==0) %當約束成立時，不再變異。約束不成立時變異。
if j==1 x(i,1)=randint(1,1,[0,35]);end
if j==2 x(i,2)=randint(1,1,[0,60]);end
if j==3 x(i,3)=randint(1,1,[0,40]);end
if j==4 x(i,4)=randint(1,1,[0,40]);end
if j==5 x(i,5)=randint(1,1,[0,30]);end
if j==6 x(i,6)=randint(1,1,[0,30]);end
if j==7 x(i,7)=randint(1,1,[0,35]);end
if j==8 x(i,8)=randint(1,1,[0,20]);end
%這里自己寫程序啊
if
%這里判斷約束條件，若符合，yueshu=1；
end
end
end
end
end
end
[row col]=size(x);
for i=1:row
fitness(i)=(x(i,1)+x(i,2)+x(i,3)+x(i,5)+x(i,6)+x(i,7)+x(i,8))/20;
end
maxx=find(fitness==max(fitness));
x(maxx,:)
9. 遺傳演算法求解非線性規劃一定是最優解嗎
只是局部最優解，不是全局最優解
10. 急急急！！！遺傳演算法適應度函數用MATLAB怎麼定義呀
給你舉個例子吧，比如目標函數是f(x)=x1+x2，matlab中就寫為：
function f=fitness(x)
f=x(1)+x(2);
函數輸出f，這個你可以隨便定義，只是給名字而已
函數名稱fitness，這個你也可以隨便起，只不過遺傳演算法中@你起的名字就行
函數輸入x：就是你要優化的各個量了，第一個是x(1)，第二個是x(2)，以此類推