老师说我写的不行,重写,呵呵 老师要求比较严格 当然还是严格点好
我要好好再修改改了。
学位论文题目为《基于聚类分析的启发式优化算法》,论文内容涉及了优化算法(主要是经典优化算法,启发式优化算法),算复杂性理论和聚类分析等相关领域。根据这些领域与论文的相关程度,比较详细的归纳总结启发式优化算法,对计算复杂性理论和聚类分析只做了一般性的总结。最后对这些相关领域未来的发展和研究提出自己的观点。
最优化问题
在现实生活中许多重要的问题,都涉及到选区一个最好的目标,或者为达到这个目标而选择某些参数、确定某些值,这些问题都可以归结为最优化问题。
对于一个最小值问题,其形式的描述为
(1)
这里的S为解的可行域,也称为解空间或搜索空间,条件 概括了对向量 的约束。这些约束可以包括线性或非线性函数,以及离散变量,都可以根据实际要求设置。
最优化问题的目标是找到(1)的最优解(全局最优解或局部最优解)。显然,只要改变目标函数的符号,最大值问题就可以转变成最小值问题,因此,本文在说明都是以最小值问题问标准。
解决最优化问题的算法称为最优化算法,可以分为经典优化算法和启发式优化算法。经典算法的确立可以从(G.B.Dantzig 1947)提出解决线形规划的单纯形(Simplex method)开始,但单纯形不是多项式算法(在后面计算复杂性中会提到)。随后,Kamaka提出了椭球算法(多项式算法),内点法。对于非线性问题,起初人们试图用线性优化理论去逼近求解非线性问题,但效果并不理想。后来的非线性理论大多都建立在二次(凸)函数的基础上,也就用二次函数去逼近其他非线性函数。在此基础上提出许多优化经典的优化算法。无约束的优化算法包括:最速下降法(steepest)、共轭梯度法、牛顿法(Newton Algorithm)、拟牛顿法(pseudo Newton Algorithms)、信赖域法。
约束优化算法包括:拉格朗日乘子法(Augmented Lagrangian Algorithms),序列二次规划(SQP)等。(这里不再对其算法思想作详细介绍)
随着社会的发展,实际问题越来越复杂,例如全局最优化问题。经典算法一般都用得局部信息,如单个初始点及所在点的导数等,这使得经典算法无法避免局部极小问题。全局最优化是NP-Hard问题(在后面计算复杂性中会提到