【学习记录】Mathematica 一种类似遗传算法暴力解优化问题的算法

问题来自群友:

94 77 67 72
8 95 61 87
24 36 47 69
100 38 43 57
这样一个矩阵
重新排列,使每个元素与相邻(上下左右)的元素差的绝对值求和,不重复计算这个差
问一种算法让最后的总和最小

我的算法

当时没多想,用第一想法解决了,还意外的比别人快。。。

准备

org = {94, 77, 67, 72, 8, 95, 61, 87, 24, 36, 47, 69, 100, 38, 43, 57};
index = Range@16~Partition~4;
sum[l_] = 
  Quiet@With[{f = Part}, 
    Total[Abs[f[l, #] - f[l, # + 1]] & /@ 
       Flatten@index[[;; , ;; 3]]] + 
     Total[Abs[f[l, #] - f[l, # + 4]] & /@ Flatten@index[[;; 3]]]];
rep[l_] := Permute[l, Cycles@{RandomSample[Range@16, 2]}]

求解

group = rep /@ ConstantArray[org, 100];
Table[group = SortBy[group, sum][[;; 100]];
 group = group~Join~(rep /@ RandomChoice[group, 100]); 
 sum@group[[1]], {100}]

最后得到多种解,最优值为341

  • 1
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Mathematica中,遗传算法优化可以使用内置的函数 `GeneticAlgorithm` 来实现。下面是一个使用遗传算法优化复杂函数模型的示例: 假设我们有一个复杂的函数模型 $f(x_1, x_2, x_3)$,其中 $x_1$、$x_2$ 和 $x_3$ 是输入变量,函数模型包含多个参数,我们需要使用遗传算法找到最优的参数组合以最小化函数模型的输出结果。 首先,我们需要定义一个包含所有参数的向量 `p`: ``` p = {p1, p2, p3, p4, p5, p6, p7, p8, p9, p10}; ``` 然后,我们需要定义一个将 `p` 向量作为输入并输出函数模型的函数 `f[p_, x1_, x2_, x3_]`: ``` f[p_, x1_, x2_, x3_] := Module[{...}, ...]; ``` 其中,省略号表示函数模型的具体实现。 接下来,我们可以使用 `GeneticAlgorithm` 来优化函数模型的参数。例如,我们可以使用以下代码来最小化函数模型的输出结果: ``` result = GeneticAlgorithm[ Function[p, f[p, x1, x2, x3]], {p, {0, 1}, 10}, FitnessScaling -> "Rank", Generations -> 100, PopulationSize -> 100 ] ``` 其中,`Function[p, f[p, x1, x2, x3]]` 定义了我们要优化的函数,`{p, {0, 1}, 10}` 表示参数 `p` 是一个长度为10的向量,每个元素的取值范围是[0,1],`FitnessScaling -> "Rank"` 表示使用排名选择算法进行适应度缩放,`Generations -> 100` 表示迭代次数为100,`PopulationSize -> 100` 表示种群大小为100。 最后,我们可以使用 `result["BestIndividual"]` 来获取最优的参数组合,并使用 `f[result["BestIndividual"], x1, x2, x3]` 来计算最小化的函数模型输出结果。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值