Matlab数学建模(六)：全局优化

一、学习目标

（1）了解全局优化算法在数学建模中的重要地位。

（2）以著名的旅行商问题为例，掌握如何使用遗传算法。

（3）以经典的Peaks 问题为例，掌握如何使用模拟退火算法。

二、实例演练

1、全局优化算法在数学建模中的重要地位。

      全局优化问题常常在数学建模中出现，历年赛题中， 比较经典的这类问题有灾情巡视、公交车调度、彩票问题、露天矿卡车调度、交巡警服务平台、太阳影子定位等等，由此可见全局优化问题的求解算法在数学建模中的重要性。

2、旅行商问题。

      旅行商问题是城市数量有限，且城市间旅行成本已知的优化问题。我们的目标是为销售人员找到一个所有城市的有序集合，使成本最小化。为了解决旅行推销员的问题，我们需要一个城市位置和距离的列表，或成本，在他们之间。我们的推销员正在访问美国的一些城市。文件usborder.mat包含变量x和y中的美国地图，以及变量xx和yy中的相同地图的几何简化版本。

load('usborder.mat','x','y','xx','yy');
plot(x,y,'Color','red'); hold on;

我们将在美国边界内随机生成城市的位置。我们可以使用inpolygon函数来确保所有的城市都在或者非常接近美国边界。

cities = 40;
locations = zeros(cities,2);
n = 1;
while (n <= cities)
    xp = rand*1.5;
    yp = rand;
    if inpolygon(xp,yp,xx,yy)
        locations(n,1) = xp;
        locations(n,2) = yp;
        n = n+1;
    end
end
plot(locations(:,1),locations(:,2),'bo');

蓝色圆圈代表销售人员需要旅行和运送或提货的城市的位置。给定城市位置列表，我们可以计算出所有城市的距离矩阵。

distances = zeros(cities);
for count1=1:cities,
    for count2=1:count1,
        x1 = locations(count1,1);
        y1 = locations(count1,2);
        x2 = locations(count2,1);
        y2 = locations(count2,2);
        distances(count1,count2)=sqrt((x1-x2)^2+(y1-y2)^2);
        distances(count2,count1)=distances(count1,count2);
    end;
end;

定义目标函数:

FitnessFcn = @(x) traveling_salesman_fitness(x,distances);


my_plot = @(options,state,flag) traveling_salesman_plot(options, ...
    state,flag,locations);

最后，我们用问题信息调用遗传算法。

numberOfVariables = cities;
[x,fval,reason,output] = ...
    ga(FitnessFcn,numberOfVariables,[],[],[],[],[],[],[],options)

3、模拟退火算法。

模拟退火（SA）算法也是经典的全局优化算法之一，它脱胎于自然界的物理过程，奇妙地与优化问题挂上了钩。

下面，用模拟退火(SA)算法求解Peaks问题。

1、构建peaks问题。

peaks

problem = createOptimProblem('fmincon',...
                             'objective',@(x) peaks(x(1),x(2)), ...
                             'nonlcon',@circularConstraint,...
                             'x0',[-1 -1],...
                             'lb',[-3 -3],...
                             'ub',[3 3],...
                             'options',optimset('OutputFcn',...
                                                @peaksPlotIterates))

2、我们可以先用一般最优算法求解，第3步再用遗传算法求解，形成对比。

[x,f] = fmincon(problem)

3、上面那一步是用一般最优算法求解，这次我们尝试一下用模拟退火算法寻找全局最小值。

problem.solver  = 'simulannealbnd';

problem.objective = @(x) peaks(x(1),x(2)) + (x(1)^2 + x(2)^2 - 9);
problem.options = saoptimset('OutputFcn',@peaksPlotIterates,...
                             'Display','iter',...
                             'InitialTemperature',10,...
                             'MaxIter',300)

[x,f] = simulannealbnd(problem)