利用遗传算法和粒子群算法优化RFID的部署(三)

  最近暑期实训快接近尾声了，针对本次实训，有一些感想，主要是对于GA之类的启发式算法。

启发式算法

  之前在知乎上看过一句话，启发式算法（GA,PSO之类）可以用来“水”论文。对于想拿启发式算法来做毕业论文的大哥来说，这是正确的，但是也并不完全正确。启发式算法只是一种优化方法，根本还是在于作者自身对于问题的定义和优化。
  以GA和PSO算法为例，算法本身并不麻烦，很好理解，但是对于问题的编码却有很多的方案。可以使用二进制编码，将问题的解表示为0，1的数组，但是这样解的维度会比较高；也可以利用整数编码降低维度，再计算fitness的时候再将整数转换为二进制。对于离散问题，可以使用0，1编码，也可以在实数编码的基础上采用类似于sigmoid转换函数转换为实数；对于连续问题，可以直接使用实数编码。
  本次实验采用了matlab和java。matlab采用的是global optimization toolbox。这个工具箱包含了常用的优化算法，例如PSO,GA等，具体的信息可以上官网去看。java部分GA采用的是jenetics工具包，PSO采用的是jswarm。前者可以在github上找到相关使用信息，后者的资料较少。从这里也可以看出，GA的使用可能要比PSO多一些。

特点

  启发式算法和梯度下降等优化算法相比有一定的优点：

• 实现简单
• 计算方便，无需求导。有些组合优化问题是不可导的，所以没法用梯度下降的办法求解
• 求解效果较好。启发式算法有一定的可能性跳出局部最优解，当然，想得到全局最优解还是很麻烦的。
  但是也有一定的缺点，比如：
• 优化时间长。梯度下降算法可以沿着梯度下降最快的方向进行求解，所以速度很快，而启发式算法搜索方向更随机一些，所以求解速度上可能要慢一些。
• 问题不宜太复杂。当问题的解的维度很高时，启发式算法的速度会很慢，而且很难优化出一个较好的结果。

其实启发式算法还是有一定的使用技巧的，尤其是对于解的编码这一块，启发式算法也可以和梯度下降算法结合以加快收敛速度。一般的问题利用算法包可以很好地求解，但是必要时还是需要自行编码实现整个算法，具体的问题得具体分析。