Unity开发者联盟收藏本站
发帖教程新人必读切换到宽版

 找回密码
 立即注册
Unity开发者联盟»论坛 › 3D Answers 技术讨论 › 技术讨论 Technology Answers › 智能优化算法
返回列表 发新帖
查看: 337|回复: 0

智能优化算法

[复制链接]
发表于 2022-5-26 15:07 | 显示全部楼层 |阅读模式
非凸优化问题，不同的初始搜索点可能导致不同的最优化结果，为此，引入遗传，粒子群，蚁群算法，模拟退火，见matlab全局优化工具箱。

遗传算法的基本思想是，在计算机上模拟生命进化机制而发展起来的一类新的最优化算法，一组初始值(种群)开始搜索，个体染色体，交叉变异，适者生存，进化出下一代，若干代后得到较优的解。

早期有名的是英国Sheffield大学和美国北卡罗拉纳州立大学开发的遗传算法工具箱GAOT。
具体遗传算法的基本原理，请参考：链接：https://pan.baidu.com/s/1gBOXi8C2cY807kj7HtIJPw?pwd=dp8g
提取码：dp8g
现在matlab内置了遗传算法工具箱函数ga().
为了测试算法性能好坏，有很多常用的测试函数。
一、一些测试函数
Rastrigin多峰函数：

每种算法运行100次，观察全局最优解成功率，耗时。
f =@(x)20+(x(1)/30-1)^2+(x(2)/20-1)^2-10*(cos(2*pi*(x(1)/30-1))+cos(2*pi*(x(2)/20-1)))
% 目标函数
A=[];B=[];Aeq=[];Beq=[];xm=-100*ones(2,1);xM=-xm;
F1=[];F2=[];F3=[];F4=[];
tic

for  i=1:100 ,x0=100*rand(2,1);
    %运行各种求解函数
    %[x,f0]=ga(f,2,A,B,Aeq,Beq,xm,xM);F1=[F1;x,f0];
   
    % [x,f0]=patternsearch(f,x0,A,B,Aeq,Beq,xm,xM);F2=[F2;x',f0]; %模式搜索算法
     [x,f0]=particleswarm(f,2,xm,xM);F3=[F3;x,f0];  %粒子群算法
     %[x,f0]=simulannealbnd(f,x0,xm,xM);F4=[F4;x',f0]; %模拟退火算法
end
toc

%i1=length(find(F1(:,3)<1e-5))
%i2=length(find(F2(:,3)<1e-5))
i3=length(find(F3(:,3)<1e-5))
%i4=length(find(F4(:,3)<1e-5))
历时 2.613878 秒。
i3 =
    91
Griewangk基准函数


n=50; %50个决策变量
f=@(x) 1+sum(x.^2/4000)-prod(cos(x(:)./[1:n]'));

A=[];B=[];Aeq=[];Beq=[];xm=-600*ones(n,1);xM=-xm;

F1=[];F2=[];F3=[];F4=[];
tic
for i =1:100,x0=600*rand(n,1)
   
    %[x,f0]=ga(f,n,A,B,Aeq,Beq,xm,xM);F1=[F1;f0];
    % [x,f0]=patternsearch(f,x0,A,B,Aeq,Beq,xm,xM);F2=[F2;f0];
     [x,f0]=particleswarm(f,n,xm,xM);F3=[F3;f0];
     %[x,f0]=simulannealbnd(f,x0,xm,xM);F4=[F4;f0];
   
end
toc

% 最优解为全0
max(F4), max(F3)
x0 = 50×1
102 ×
   5.547331193932800    5.546182297849493    1.649474442043273    2.105319982951498    1.815931194221220    5.366023347889880    0.817771290062103    1.435676993119801    5.094395427436423    5.590798241034586 ....
toc
历时 41.009270 秒。
% 最优解为全0
max(F4), max(F3)
ans =       [ ]
ans =     0.794034887857747
二、复杂的非线性规划求解


非线性约束条件：
function [c,ceq]=c5mcpl(x)
ceq=[];
A1=sqrt((745*x(4)/x(2)/x(3))^2+16.91e6); B1=0.1*x(6)^3;
A2=sqrt((745*x(5)/x(2)/x(3))^2+157.5e6); B2=0.1*x(7)^3;
c=[-x(1)*x(2)^2*x(3)+27; -x(1)*x(2)^2*x(3)^2+397.5;
   -x(2)*x(6)^4*x(3)/x(4)^3+1.93; A1/B1-1100;
   -x(2)*x(7)^4*x(3)/x(5)^3+1.93; A2/B2-850;
   x(2)*x(3)-40; -x(1)/x(2)+5; x(1)/x(2)-12;
   1.5*x(6)+1.9-x(4); 1.1*x(7)+1.9-x(5)];目标函数：

A=[];B=[];Aeq=[];Beq=[];
f=@(x)0.7854*x(1)*x(2)^2*(3.3333*x(3)^2+14.9334*x(3)-43.0934)-1.508*x(1)*(x(6)^2+x(7)^2)+7.477*(x(6)^3+x(7)^3)+0.7854*(x(4)*x(6)^2+x(5)*x(7)^2);

xm=[2.6,0.7,17,7.3,7.3,2.9,5];
xM=[3.6,0.8,28,8.3,8.3,3.9,5.5];
[x,f0]=fmincon(f,rand(7,1),A,B,Aeq,Beq,xm,xM,@c5mcpl)



%遗传算法
xx=[]
for i=1:7
    tic
    [x,x0,flag]=ga(f,7,A,B,Aeq,Beq,xm,xM,@c5mcpl)
    toc
    if flag==1
        xx=[xx;x f0];
   
    end
endx =
   3.500000006636445    0.700000000308885   17.000000011596669    7.300000215221772    7.715320005042021    3.350540957339616    5.286654468041168  ....
f0 =
     2.994424479756736e+03
x =
   3.499302564458190   0.700000000000000  17.000015701674656   7.300039720659272   7.714365598727852   3.350550631870008   5.286672859785385 ...

x0 =
     2.994146799506752e+03
flag =
     1
历时 12.028220 秒。
三、神经网络拟合




神经网络分类器

     做一个简单的评三好生的神经网络模型，假如如果手头上有一些三好生和非三好生的成绩数据，我们可 以把这些样本“喂”给模型，经过一段时间后，网络就可以学习到三个权 值参数的信息。下一步我们就可以用这个学到的网络来评判是否三好生。
上述单个神经元就是一个简单的二分类器，复杂的多层神经网络具有更强大的能力。
下面是一个神经网络拟合问题，有一个通用逼近定理，任何非线性函数都可以用一个神经网络来拟合！
x = 0:0.05:10;
y=0.12*exp(-0.213*x)+0.54*exp(-0.17*x).*sin(1.23*x);

net=fitnet(5);
net.trainParam.epochs=1000;
[net,b]=train(net,x,y);

plotperform(b)
x0=[0:0.1:10];
y0=0.12*exp(-0.213*x0)+0.54*exp(-0.17*x0).*sin(1.23*x0);
y1=net(x0)
plot(x,y,'o',x0,y0,x0,y1,':');




再一个例子
clc
clear
close
x = [0 1 2 3 4 5 6 7 8];  % 样本属性值
t = [0 0.84 0.91 0.14 -0.77 -0.96 -0.28 0.66 0.99]; %样本的目标标签值
net = feedforwardnet(10);  %定义神经网络一层隐含层，且神经元数量为10个
net = configure(net,x,t); %利用构建的网络，对网络各参数进行初始化赋值，形成初始网络
y1 = net(x);  %初始网络对输入进行计算后的输出
net = train(net,x,t); %对国建的神经网络进行训练，输出训练完成的网络
y2 = net(x); %训练完成后的网络对输入进行计算后的输出
plot(x,t,'o',x,y1,'^',x,y2,'*') %对三者数据进行绘图
legend('原始数据值','初始网络预测值','训练后网络预测值')

再来一个例子：
基于BP网络的性别识别.以年级中男生女生的身高、体重为输入,经过一定数量的样本训练后,可以较好地识别出新样本的性别,其中男生172人,女生88人.具体数据见Excel文件(链接：https://pan.baidu.com/s/1ymdiklg96oqjv1VTbXN7CA?pwd=53m7
提取码：53m7)


MATLAB程序如下(Annfeedforwardne.m文件):

% 使用feedforwardnet函数实现性别识别
% 清理
clear,%clc
rng(2)
% 读入数据
xlsfile='student.xls';
[data,label]=getdata(xlsfile);
% 划分数据
[traind,trainl,testd,testl]=divide(data,label);
% 创建网络
net=feedforwardnet(10);
net = configure(net,traind',trainl);   %配置内存
%%对网络进行训练
net.trainParam.epochs = 50;%执行步长为100
net.trainFcn='trainbfg'; %net.trainFcn='trainlm';
% 训练网络
net=train(net,traind',trainl);
%显示相关参数
disp('网络训练后的第一层权值为：')
w1=net.iw{1}
disp('网络训练后的第一层阈值：')
b1=net.b{1}
disp('网络训练后的第二层权值为：')
w2=net.Lw{2}
disp('网络训练后的第二层阈值：')
b2=net.b{2}
% 测试
test_out=sim(net,testd');
test_out(test_out>=0.5)=1;
test_out(test_out<0.5)=0;
rate=sum(test_out==testl)/length(testl);
fprintf('正确率为：\n %f \n', rate*100);
% 显示训练样本
train_m = traind(trainl==1,:); train_m=train_m';
train_f = traind(trainl==0,:);   train_f=train_f';
plot(train_m(1,:),train_m(2,:),'bo'); hold on;
plot(train_f(1,:),train_f(2,:),'r*');
xlabel('身高'); ylabel('体重')
title('训练样本分布'); legend('男生','女生');


上述的程序调用了两个子函数getdata.m和divide.m,代码分别如下

function [data,label]=getdata(xlsfile)
% [data,label]=getdata('student.xls')
[~,label]=xlsread(xlsfile,1,'B2:B261');
[height,~]=xlsread(xlsfile,'C2:C261');
[weight,~]=xlsread(xlsfile,'D2:D261');
data=[height,weight];
la=zeros(size(label));
for i=1:length(la)
   if (label{i}== '男'), la(i)=1; end
end
label=la;
divide函数用来切分数据集

function [traind,trainl,testd,testl]=divide(data,label)
%[data,label]=getdata('student.xls')
% 由于男女数量不平衡, 各取50个进行训练
train_m=50;
train_f=50;
% 男女分开
m_data=data(label==1,:);
f_data=data(label==0,:);
%男生
num_m=length(m_data); % 男生的个数
r=randperm(num_m); %随机重排,将次序打乱
traind(1:train_m,:)=m_data(r(1:train_m),:); %取重排后的前50个数据作为训练集
testd(1:num_m-train_m,:)= m_data(r(train_m+1:num_m),:); %剩下的作为测试集
%女生
num_f=length(f_data); % 女生的个数
r=randperm(num_f); %随机重排,将次序打乱
traind(train_m+1:train_m+train_f,:)=f_data(r(1:train_f),:); %取重排后的前50个数据作为训练集
testd(num_m-train_m+1:num_m-train_m+num_f-train_f,:)=f_data(r(train_f+1:num_f),:); %剩下的作为测试集
% 赋值
trainl=zeros(1,train_m+train_f);
trainl(1:train_m)=1; %训练集男生标签
testl=zeros(1,num_m+num_f-train_m-train_f);
testl(1:num_m-train_m)=1; %测试集男生标签



在命令窗口运行主程序Annfeedforwardne.m,得到如下结果:网络训练后的第一层权值为:

网络训练后的第一层权值为：
w1 =  1.44384888928607         -4.18480952233056
         -4.33919912055087         0.632849922164154
          2.56917426428233          -3.6616977002294
         -4.37558716146066         0.154215752790577
         -4.14674567916552          1.47049114306135
          2.38084918313696          3.72395757368039
          3.87011928395929         -2.00542980488546
          3.10704311155857          3.13142109567917
          1.24557237983525          4.16342141795573
        -0.312953669730938          4.39953644030905
网络训练后的第一层阈值：
b1 =    -4.42690688218674
          3.50023161084736
         -2.38057299939936
          1.57200608238244
         0.436599110305998
         0.488400223473961
          1.73291164233109
          2.49821971654938
          3.54323725248674
         -4.44494054118496
网络训练后的第二层权值为：
w2 =
  列 1 至 2
          0.47286420806718         0.213000940379026
  列 3 至 4
         0.874887831457051         0.328594076460372
  列 5 至 6
        0.0788161552387914         0.737741580290311
  列 7 至 8
        -0.586672749039528         0.742739660738542
  列 9 至 10
        0.0121736093785839        -0.553913077494564网络训练后的第二层阈值：
b2 =
         0.695861355403992正确率为：
93.125000



训练样本分布图

四、google神经网络在线测试平台演示


PlayGround 是一个在线演示、实验的神经网络平台，是一个入门神经 网络非常直观的网站。这个图形化平台非常强大，将神经网络的训练过程 直接可视化。网址是：http://playground.tensorflow.org/。 PlayGround 页面如图所示，主要分为 DATA（数据），FEATURES（特征）， HIDDEN LAYERS（隐含层），OUTPUT（输出层）


图中点被标记为两种颜色,深色为正(电脑屏幕颜色为蓝色)，浅色为负 (电脑屏幕颜色为黄色)，表示要区分的两类数据。 上图我们选了最复杂的螺旋型数据来分类，输入为待分类点的横，纵 坐标两个特征，隐藏层有两个，层之间的连线颜色代表权重正负，层与层 之间的连线粗细表示权重的绝对值大小，训练开始后，我们可以把鼠标放 在线上查看权值，也可以点击修改


我们设置，两个隐藏层，用 sigmoid 激活函数，训练的批大 小为 10，学习率为 0.01，在训练集上的损失是 0.363，在测试集上的损失为 0.468，我们可以调整特征的个数，迭代次数、学习速率、激活函数、隐藏 层数和隐藏节点的个数等超参数，动态地观察分类效果。PlayGround 还提 供了非常灵活的数据配置，可以调节噪声、训练数据和测试数据的比例和 Batch size 的大小。 一般来讲，隐含层越多，衍生出的特征类型也就越丰富，对于分类的 效果也会越好，但不是越多越好，层数多了训练的速度会变慢，同时收敛 的效果不一定会更好，层数和特征的个数太多，会造成训练越困难。
练习：
1、假设某最小化问题的目标函数为(非线性规划问题)：

相应的约束条件为：






目标函数
f=@(x)0.7854*x(1)*x(2)^2*(3.3333*x(3)^2+14.9334*x(3)-43.0934) ...
  -1.508*x(1)*(x(6)^2+x(7)^2)+7.477*(x(6)^3+x(7)^3)...
+0.7854*(x(4)*x(6)^2+x(5)*x(7)^2); 约束
function [c,ceq]=c5mcpl(x)
ceq=[]; %没有等式约束，故返回空矩阵
A1=sqrt((745*x(4)/x(2)/x(3))^2+16.91e6); B1=0.1*x(6)^3;
A2=sqrt((745*x(5)/x(2)/x(3))^2+157.5e6); B2=0.1*x(7)^3;
c=[-x(1)*x(2)^2*x(3)+27; -x(1)*x(2)^2*x(3)^2+397.5;
   -x(2)*x(6)^4*x(3)/x(4)^3+1.93; A1/B1-1100;
   -x(2)*x(7)^4*x(3)/x(5)^3+1.93; A2/B2-850;
   x(2)*x(3)-40; -x(1)/x(2)+5; x(1)/x(2)-12;
   1.5*x(6)+1.9-x(4); 1.1*x(7)+1.9-x(5)];直接优化求解：
A=[];B=[];Aeq=[];Beq=[];
xm=[2.6,0.7,17,7.3,2.9,5];%下界
xM=[3.6,0.8,28,8.3,8.3,3.9,5.5]; %上界
[x,f0]=fmincon(f,rand(7,1),A,B,Aeq,Beq,xm,xM,@c5mcpl)结果大约为2994.
采用遗传算法求解
f=@(x)0.7854*x(1)*x(2)^2*(3.3333*x(3)^2+14.9334*x(3)-43.0934)...
  -1.508*x(1)*(x(6)^2+x(7)^2)+7.477*(x(6)^3+x(7)^3)...
+0.7854*(x(4)*x(6)^2+x(5)*x(7)^2);继续
A=[];B=[];Aeq=[];Beq=[];xx=[];
xm=[2.6,0.7,17,7.3,2.9,5];%下界
xM=[3.6,0.8,28,8.3,8.3,3.9,5.5]; %上界

for i =1:7
   tic ,[x,f0,flag] =ga(f,7,A,B,Aeq,Beq,xm,xM,@c5mcpl),toc
   if flag == 1 ,xx=[xx;x f0]; end
end
参考文献：
1、薛定宇，《MATLAB最优化计算》，清华大学出版社，2020年1月。
2、刘鹏，程显毅，李纪聪，周世祥，《人工智能概论》，清华大学出版社出版时间:2021年7月。
3、马昌凤,柯艺芬,谢亚君 著，《机器学习算法(MATLAB版)》， 科学出版社，2021年6月。
matlab机器学习参考

本帖子中包含更多资源

您需要 登录 才可以下载或查看，没有账号？立即注册

×
回复

使用道具 举报

返回列表 发新帖
懒得打字嘛，点击右侧快捷回复 【右侧内容，后台自定义】
高级模式
B Color Image Link Quote Code Smilies
您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

小黑屋|手机版|Unity开发者联盟 ( 粤ICP备20003399号 )

GMT+8, 2024-9-22 10:07 , Processed in 0.092848 second(s), 26 queries .

Powered by Discuz! X3.5 Licensed

© 2001-2024 Discuz! Team.

快速回复 返回顶部 返回列表