粒子群、遗传、蚁群、模拟退火和鲸鱼算法优缺点比较
概述智能理论算法的优点是无需先验知识,不需要分析数据内部的规律和内在关联,只需要对数据本身进行学习,自组织、自适应的完成优化问题的求解,缺点是采用这种模型的收敛速度往往极慢,处理大量的样本数据时会占据极多的计算机运行内存,对计算机的运行速度有很高的要求。优化算法是一种给定方向的遍历遗传算法(GA)全局搜索能力强,局部搜索能力较弱,往往只能得到次优解而不是最优解研究发现,遗传算法可以用极快的速度达到
概述
算法本质
优化算法是一种给定方向的遍历
定义
群体智能优化算法主要模拟了昆虫、兽群、鸟群和鱼群的群体行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断地改变搜索的方向。任何一种由昆虫群体或者其他动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群体智能(Swarm Intelligence)
白话解释
模仿昆虫或者一些动物的觅食或者其他行为,这些动物群体按照一中合作的方式寻找食物,不断的交流食物信息,能够很快的找到更多的食物。通过对他们的行为的研究抽象出来的一种算法,就是群体智能优化算法。(例如,一个个体找到了食物,就会通知其他个体来这个有食物的地方,这就是一种行为)
算法原则
- 邻近原则:群体能够进行简单的空间和时间计算;
- 品质原则:群体能够响应环境中的品质因子;
- 多样性反应原则:群体的行动范围不应该太窄;
- 稳定性原则:群体不应在每次环境变化时都改变自身的行为;
- 适应性原则:在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为。
1、遗传算法(GA)
全局搜索能力强,局部搜索能力较弱,往往只能得到次优解而不是最优解。
研究发现,遗传算法可以用极快的速度达到最优解的90%以上,但是要达到真正的最优解需要花费很长时间,即局部搜索能力不足。
2、粒子群算法(PSO)
产生早熟收敛并被证明算法不是全局收敛
未加权重——收敛速度快但容易陷入局部最优解
3、 蚁群算法
参数设置复杂,如果参数设置不当,容易偏离优质解
4、 模拟退火算法
全局寻优,适合搭配粒子群、鲸鱼优化算法等容易陷入局部最优解的
5、 鱼群算法
参数设置复杂,如果参数设置不当,容易偏离优质解.(同蚁群)
6、鲸鱼优化算法
6.1问题
算法陷入局部极值和收敛速度问题
陷入局部最优解
结合模拟退火算法,通过接受较差点来提升全局寻优能力
收敛速度慢
引入自适应权重,提升算法的局部寻优能力
更多推荐
所有评论(0)