启发式算法
定义：在可接受的花费下，给出待解决的优化问题的一个可行解。
可接受花费：如规定时间内。
优化问题：约束条件下中，函数的最值！
可行解：不一定是最优解，可接受即可。
常见启发式算法：粒子群、模拟退火、遗传算法等
一个简单的优化问题：找函数的最值点
基本思想①盲目搜索②启发式搜索
盲目搜索
① 枚举法
尽可能划分更小的解空间x值，离散化，对比
②蒙特卡洛模拟
随机取N个点，选择最大值。只要时间够多，一定可以无限趋近最优解
无论哪一种，当变量增多，时间复杂度指数增长。
启发式搜索
①爬山法
随机选择一个点，判断左一步步长和右一步步长函数值，最终可以找到一个局部最优解
反复迭代，最终可得最值点
启发式搜索中，其中每一次迭代都需要根据上一步的结果，类似动态规划。
粒子群算法
背景
根据鸟群个体信息共享，从无序到有序，获得问题可行解
思想
假设：①所有鸟都不知道食物位置（不清楚问题最优解）②它们知道自己离食物有多远③鸟群知道距离食物最近的鸟是谁
每个鸟在知道自己最佳位置的同时，受到绿色小鸟的信息共享，惯性，最终会把合力作为运动的矢量。
可得x（d）和v（d）的递推式。
术语解释
粒子就是不断飞行的鸟，x1到x10就是说有10只鸟，每个xi代表一个个体
其中pbest和gbest就是自己最好和群体最好，鸟群图中的参数位置
w惯性指数的改进
线性
自适应
与迭代次数以及例子适应度有关
随机惯性权重
线性递减改进，在前期缺少局部，后期缺少全局，因此改进之后产生了随机惯性权重
思想就是把w变成随机数
压缩因子法
仅乘了压缩因子，控制了c1，c2 的差异
非对称学习因子
思想是让个体学习因子c1和群体学习因子c2变动
就是线性递减&线性递增的关系
拓展
那么粒子群可不可以解决非线性约束？如 x1+x2=1
可以。我们只需保证初始例子，以及更新例子满足约束即可，不满足的直接丢弃
标签：粒子,因子,算法,搜索,启发式,最值 来源： https://blog.csdn.net/qq_44698709/article/details/123614253
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。