智能算法-启发式算法

提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档

---

前言

提示：这里可以添加本文要记录的大概内容：

本节介绍一些智能计算基础的内容。智能计算优化算法主要是用来解决最优问题，最优化问题是这样定义的，满足三个条件，选择一组决策变量，有一定的约束条件，求的是目标的最值。
之前的梯度下降就是一种优化问题。本文再介绍一些其他的优化算法。介绍智能问题中的启发式算法，智能计算是依据规律，建立相关的数学模型，并进行计算，解决生活中实际问题。启发式算法是智能计算的一个分支，是基于自身经验，在资源受限的条件下寻求问题的最优解。

---

提示：以下是本篇文章正文内容，下面案例可供参考

一、模拟退火

模拟退火是根据打铁时的规律得出。是一种单解元启发算法(初始是一个解)
核心思想是，上一次解的结果会进行一个小的扰动，生成一个新的解，如果这个新的解更好，就代替这个旧的解，如果没有原来的解好，就以一个概率接受新的解（这里主要是怕陷入局部最优）具体可以参考梯度下降的缺点局部最优。这个概率是多少呢，根另一个参数有关，这个参数就是温度，求解初期，温度较高，比较容易接受新的解，随着迭代次数的增加，温度也在不断下降，接受新的解的概率也在不断下降，最后达到一个值。
具体步骤
1，解的设计，怎么去表达一个解，合适的编码方法能够简化问题。
2，对解进行一个小小的扰动，使其产生新的解。
3，计算，如果新的解更好，就代替原来的解，如果不好，就以一定的概率接受新的解释。

二、遗传算法

遗传算法是根据生物学遗传进化规律得来，是一种群解启发算法（初始是一组解）
核心思想是，生物通过基因进行传递给下一代信息，能够让下一代获得良好的基因，而且个体与个体的基因交流能够让子代遗传到父母两人的良好基因，同时也会有变异发生，确保一些不确定性。
具体步骤
1，解的设计，怎么去表达一个解，合适的编码方法能够简化问题。确定解的个数，适应度函数。
2，筛选，根据适应度函数筛选掉一部分解，其余个体就会被认为淘汰。（可用轮盘赌方法）
3，遗传，由于解的个体数量减少，需要生成一部分新的个体，根据你的编码方法，像染色体遗传一样将两个解进行结合生成一个新的个体。
4，变异，根据设定的概率，通常是一个很小的值，对于个体编码的小部分进行变异，即修改。

三,群智能算法，粒子群算法

粒子群算法是根据种群的演化思想得出，源于对鸟类捕食行为的研究。
核心思想是，这一个种群，存在个体最优和种群最优，综合考虑这两个东西，不断去达到
具体步骤
1，解的设计，怎么去表达一个解，合适的编码方法能够简化问题。解的初始化，控制参数的设定
2，计算每个个体的目标函数，记录个体的最优值和种群的最优值。
3，根据个体最优值和种群最优值更新速度，大概是v=惯性（防止陷入局部最优）+个体最优（自己原来最优的位置）+群体最优（整个种群最优的位置）

总结

提示：这里对文章进行总结：
例如：以上就是今天要讲的内容，本文仅仅简单介绍了，模拟退火，遗传算法，粒子群算法。