智能尋優演算法

㈠ 智能優化演算法：灰狼優化演算法

@[toc]
摘要：受 灰 狼 群 體 捕 食 行 為 的 啟 發，Mirjalili等[1]於 2014年提出了一種新型群體智能優化演算法：灰狼優化演算法。GWO通過模擬灰狼群體捕食行為，基於狼群群體協作的機制來達到優化的目的。 GWO演算法具有結構簡單、需要調節的參數少，容易實現等特點，其中存在能夠自適應調整的收斂因子以及信息反饋機制，能夠在局部尋優與全局搜索之間實現平衡，因此在對問題的求解精度和收斂速度方面都有良好的性能。

灰狼屬於犬科動物，被認為是頂級的掠食者，它們處於生物圈食物鏈的頂端。灰狼大多喜歡群居，每個群體中平均有5-12隻狼。特別令人感興趣的是，它們具有非常嚴格的社會等級層次制度，如圖1所示。金字塔第一層為種群中的領導者，稱為 α 。在狼群中 α 是具有管理能力的個體，主要負責關於狩獵、睡覺的時間和地方、食物分配等群體中各項決策的事務。金字塔第二層是 α 的智囊團隊，稱為 β 。 β 主要負責協助α 進行決策。當整個狼群的 α 出現空缺時，β 將接替 α 的位置。 β 在狼群中的支配權僅次於 α，它將 α 的命令下達給其他成員，並將其他成員的執行情況反饋給 α 起著橋梁的作用。金字塔第三層是 δ ，δ 聽從 α 和 β 的決策命令，主要負責偵查、放哨、看護等事務。適應度不好的 α 和 β 也會降為 δ 。金字塔最底層是 ω ，主要負責種群內部關系的平衡。

<center>圖1.灰狼的社會等級制度

此外，集體狩獵是灰狼的另一個迷人的社會行為。灰狼的社會等級在群體狩獵過程中發揮著重要的作用，捕食的過程在 α 的帶領下完成。灰狼的狩獵包括以下 3個主要部分：
1）跟蹤、追逐和接近獵物；
2）追捕、包圍和騷擾獵物，直到它停止移動；
3）攻擊獵物

在狩獵過程中，將灰狼圍捕獵物的行為定義如下：

式（1）表示個體與獵物間的距離，式（2）是灰狼的位置更新公式。其中, 是目前的迭代代數， 和 是系數向量， 和 分別是獵物的位置向量和灰狼的位置向量。 和 的計算公式如下：

其中， 是收斂因子，隨著迭代次數從2線性減小到0, 和 的模取[0,1]之間的隨機數。

灰狼能夠識別獵物的位置並包圍它們。當灰狼識別出獵物的位置後，β 和 δ 在 α 的帶領下指導狼群包圍獵物。在優化問題的決策空間中，我們對最佳解決方案（獵物的位置）並不了解。因此，為了模擬灰狼的狩獵行為，我們假設 α ，β 和 δ 更了解獵物的潛在位置。我們保存迄今為止取得的3個最優解決方案，並利用這三者的位置來判斷獵物所在的位置，同時強迫其他灰狼個體（包括 ω ）依據最優灰狼個體的位置來更新其位置，逐漸逼近獵物。狼群內個體跟蹤獵物位置的機制如圖2所示。

<center>圖2.GWO 演算法中灰狼位置更新示意圖

灰狼個體跟蹤獵物位置的數學模型描述如下:

其中， 分別表示分別表示 α ， β 和 δ 與其他個體間的距離。 分別代表 α ， β 和 δ 的當前位置； 是隨機向量， 是當前灰狼的位置。

式(6)分別定義了狼群中 ω 個體朝向 α ，β 和 δ 前進的步長和方向，式(7)定義了 ω 的最終位置。

當獵物停止移動時，灰狼通過攻擊來完成狩獵過程。為了模擬逼近獵物， 的值被逐漸減小，因此 的波動范圍也隨之減小。換句話說，在迭代過程中，當 的值從2線性下降到0時，其對應的 的值也在區間[-a,a]內變化。如圖3a所示，當 的值位於區間內時，灰狼的下一位置可以位於其當前位置和獵物位置之間的任意位置。當 時，狼群向獵物發起攻擊（陷入局部最優）。

灰狼根據 α ,β 和 δ 的位置來搜索獵物。灰狼在尋找獵物時彼此分開，然後聚集在一起攻擊獵物。基於數學建模的散度，可以用 大於1 或小於-1 的隨機值來迫使灰狼與獵物分離，這強調了勘探（探索）並允許 GWO 演算法全局搜索最優解。如圖3b所示， 強迫灰狼與獵物（局部最優）分離，希望找到更合適的獵物（全局最優）。GWO 演算法還有另一個組件 來幫助發現新的解決方案。由式(4)可知， 是[0,2]之間的隨機值。 表示狼所在的位置對獵物影響的隨機權重， 表示影響權重大，反之，表示影響權重小。這有助於 GWO演算法更隨機地表現並支持探索，同時可在優化過程中避免陷入局部最優。另外，與 不同 是非線性減小的。這樣，從最初的迭代到最終的迭代中，它都提供了決策空間中的全局搜索。在演算法陷入了局部最優並且不易跳出時， 的隨機性在避免局部最優方面發揮了非常重要的作用，尤其是在最後需要獲得全局最優解的迭代中。

<center>圖4.演算法流程圖

[1] Seyedali Mirjalili,Seyed Mohammad Mirjalili,Andrew Lewis. Grey Wolf Optimizer[J]. Advances in Engineering Software,2014,69.

[2] 張曉鳳,王秀英.灰狼優化演算法研究綜述[J].計算機科學,2019,46(03):30-38.

https://mianbaoo.com/o/bread/Z5ecmZc=
文獻復現：
文獻復現：基於翻筋斗覓食策略的灰狼優化演算法（DSFGWO）
[1]王正通,程鳳芹,尤文,李雙.基於翻筋斗覓食策略的灰狼優化演算法[J/OL].計算機應用研究:1-5[2021-02-01]. https://doi.org/10.19734/j.issn.1001-3695.2020.04.0102 .

文獻復現：基於透鏡成像學習策略的灰狼優化演算法（LIS-GWO）
[1]龍文,伍鐵斌,唐明珠,徐明,蔡紹洪.基於透鏡成像學習策略的灰狼優化演算法[J].自動化學報,2020,46(10):2148-2164.

文獻復現：一種優化局部搜索能力的灰狼演算法（IGWO）
[1]王習濤.一種優化局部搜索能力的灰狼演算法[J].計算機時代,2020(12):53-55.

文獻復現：基於自適應頭狼的灰狼優化演算法（ALGWO）
[1]郭陽,張濤,胡玉蝶,杜航.基於自適應頭狼的灰狼優化演算法[J].成都大學學報(自然科學版),2020,39(01):60-63+73.

文獻復現：基於自適應正態雲模型的灰狼優化演算法 （CGWO）
[1]張鑄,饒盛華,張仕傑.基於自適應正態雲模型的灰狼優化演算法[J/OL].控制與決策:1-6[2021-02-08]. https://doi.org/10.13195/j.kzyjc.2020.0233 .

文獻復現：改進非線性收斂因子灰狼優化演算法
[1]王正通,尤文,李雙.改進非線性收斂因子灰狼優化演算法[J].長春工業大學學報,2020,41(02):122-127.

文獻復現：一種基於收斂因子改進的灰狼優化演算法
[1]邢燕禎,王東輝.一種基於收斂因子改進的灰狼優化演算法[J].網路新媒體技術,2020,9(03):28-34.

文獻復現:基於萊維飛行和隨機游動策略的灰狼演算法（GWOM ）
[1]李陽,李維剛,趙雲濤,劉翱.基於萊維飛行和隨機游動策略的灰狼演算法[J].計算機科學,2020,47(08):291-296.

文獻復現:一種改進的灰狼優化演算法(EGWO)
[1]龍文,蔡紹洪,焦建軍,伍鐵斌.一種改進的灰狼優化演算法[J].電子學報,2019,47(01):169-175.

文獻復現:改進收斂因子和比例權重的灰狼優化演算法(CGWO)
[1]王秋萍,王夢娜,王曉峰.改進收斂因子和比例權重的灰狼優化演算法[J].計算機工程與應用,2019,55(21):60-65+98.

文獻復現:一種改進非線性收斂方式的灰狼優化演算法研究(CGWO)
[1]談發明,趙俊傑,王琪.一種改進非線性收斂方式的灰狼優化演算法研究[J].微電子學與計算機,2019,36(05):89-95.

文獻復現:一種基於Tent 映射的混合灰狼優化的改進演算法(PSOGWO)
[1]滕志軍,呂金玲,郭力文,許媛媛.一種基於Tent映射的混合灰狼優化的改進演算法[J].哈爾濱工業大學學報,2018,50(11):40-49.

文獻復現:基於差分進化與優勝劣汰策略的灰狼優化演算法(IGWO)
[1]朱海波,張勇.基於差分進化與優勝劣汰策略的灰狼優化演算法[J].南京理工大學學報,2018,42(06):678-686.

文獻復現:基於 Iterative 映射和單純形法的改進灰狼優化演算法(SMIGWO)
[1]王夢娜,王秋萍,王曉峰.基於Iterative映射和單純形法的改進灰狼優化演算法[J].計算機應用,2018,38(S2):16-20+54.

文獻復現:一種基於混合策略的灰狼優化演算法(EPDGWO)
[1]牛家彬,王輝.一種基於混合策略的灰狼優化演算法[J].齊齊哈爾大學學報(自然科學版),2018,34(01):16-19+32.

文獻復現:基於隨機收斂因子和差分變異的改進灰狼優化演算法(IGWO)
[1]徐松金,龍文.基於隨機收斂因子和差分變異的改進灰狼優化演算法[J].科學技術與工程,2018,18(23):252-256.

文獻復現:一種基於差分進化和灰狼演算法的混合優化演算法(DEGWO)
[1]金星,邵珠超,王盛慧.一種基於差分進化和灰狼演算法的混合優化演算法[J].科學技術與工程,2017,17(16):266-269.

文獻復現:協調探索和開發能力的改進灰狼優化演算法(IGWO)
[1]龍文,伍鐵斌.協調探索和開發能力的改進灰狼優化演算法[J].控制與決策,2017,32(10):1749-1757.

文獻復現:基於Cat混沌與高斯變異的改進灰狼優化演算法(IGWO)
[1]徐辰華,李成縣,喻昕,黃清寶.基於Cat混沌與高斯變異的改進灰狼優化演算法[J].計算機工程與應用,2017,53(04):1-9+50.

文獻復現:具有自適應搜索策略的灰狼優化演算法(SAGWO)
[1]魏政磊,趙輝,韓邦傑,孫楚,李牧東.具有自適應搜索策略的灰狼優化演算法[J].計算機科學,2017,44(03):259-263.

文獻復現:採用動態權重和概率擾動策略改進的灰狼優化演算法(IGWO)
[1]陳闖,Ryad Chellali,邢尹.採用動態權重和概率擾動策略改進的灰狼優化演算法[J].計算機應用,2017,37(12):3493-3497+3508.

文獻復現:具有自適應調整策略的混沌灰狼優化演算法(CLSGWO)
[1]張悅,孫惠香,魏政磊,韓博.具有自適應調整策略的混沌灰狼優化演算法[J].計算機科學,2017,44(S2):119-122+159.

文獻復現:強化狼群等級制度的灰狼優化演算法(GWOSH)
[1]張新明,塗強,康強,程金鳳.強化狼群等級制度的灰狼優化演算法[J].數據採集與處理,2017,32(05):879-889.

文獻復現:一種新型非線性收斂因子的灰狼優化演算法(NGWO)
[1]王敏,唐明珠.一種新型非線性收斂因子的灰狼優化演算法[J].計算機應用研究,2016,33(12):3648-3653.

文獻復現:重選精英個體的非線性收斂灰狼優化演算法(EGWO)
[1]黎素涵,葉春明.重選精英個體的非線性收斂灰狼優化演算法[J].計算機工程與應用,2021,57(01):62-68.

https://mianbaoo.com/o/bread/aZ2Wl54=

㈡ IA優化演算法是什麼

IA優化演算法指的是免疫演算法是模仿生物免疫機制，結合基因的進化機理，人工構造出的一種新型智能優化演算法。它具有一般免疫系統的特徵，採用群體搜索策略，通過迭代計算，最終以較大的概率得到問題的最優解。

相比較於其他演算法，免疫演算法利用自身產生多樣性和維持機制的特點，保證了種群的多樣性，克服了一般尋優過程（特別是多峰值的尋優過程）中不可避免的「早熟」問題，可以求得全局最優解。免疫演算法具有自適應性、隨機性、並行性、全局收斂性、種群多樣性等優點。

免疫演算法主要模塊：

抗原識別與初始抗體產生。根據待優化問題的特點設計合適的抗體編碼規則，並在此編碼規則下利用問題的先驗知識產生初始抗體種群。

抗體評價。對抗體的質量進行評價，評價准則主要為抗體親和度和個體濃度，評價得出的優質抗體將進行進化免疫操作，劣質抗體將會被更新。

免疫操作。利用免疫選擇、克隆、變異、克隆抑制、種群刷新等運算元模擬生物免疫應答中的各種免疫操作，形成基於生物免疫系統克隆選擇原理的進化規則和方法，實現對各種最優化問題的尋優搜索。

㈢ 在尋優求解過程中，有蟻群演算法和遺傳演算法，用哪種方法更能通俗易懂，容易讓人明白

說實話，這兩種方法都是智能仿生演算法，都比普通的演算法要稍微復雜一些。我不知道你要解決什麼尋優問題，但我推薦你還是用遺傳演算法吧。遺傳演算法應用比蟻群演算法要廣泛，了解的人也較多。蟻群演算法更適合解決尋路問題、旅行商問題等。

㈣ 什麼是智能優化演算法

智能優化演算法是一種啟發式優化演算法，包括遺傳演算法、蟻群演算法、禁忌搜索演算法、模擬退火演算法、粒子群演算法等。·智能優化演算法一般是針對具體問題設計相關的演算法，理論要求弱，技術性強。一般，我們會把智能演算法與最優化演算法進行比較，相比之下，智能演算法速度快，應用性強。

㈤ 遺傳演算法出來的結果不穩定

有兩種可能：1.有多種組合等於X，因此組合有多種
2.你的遺傳演算法容易局部收斂

對於2解決辦法：增加判斷，當種群最優染色體一直不變持續N代，重新初始化一個種群，或者往種群中注入新的隨機染色體來跳出局部收斂區域。

對補充的回答：
遺傳演算法本身就是一種智能尋優的隨機演算法，搜索過程中存在隨機性，在具有多個最優解的情況下，很難每次都尋優到同一組參數組合，因為每次的搜索路徑是不同的。

如果樓主真是尋求最後結果一樣的效果的話，可以先得到一組最優組合數字集合S，按從小到大排列處理後變為S'(n1,n2...ni)

然後搜索過程中的某組數字集合Q的目標函數
既滿足：
相加的和最接近X，
還要滿足：
1.數字個數=i
2.臨時將Q從小達到排列，各個位置上的元素和S'的元素最接近

這樣可能會增加很多計算時間，但理論上是可以每次都得到S

㈥ 智能優化演算法：貓群優化演算法

@[toc]
摘要：貓群演算法 ( Cat Swarm Optimization，縮寫為CSO)是由 Shu － An Chu 等人在 2006 年首次提出來的一種基於貓的行為的全局優化演算法具有收斂快，尋優能力強的特點。

在貓群演算法中，貓即待求優化問題的可行解。貓群演算法將貓的行為分為兩種模式，一種就是貓在懶散、環顧四周狀態時的模式稱之為搜尋模式;另一種是在跟蹤動態目標時的狀態稱之為跟蹤模式。貓群演算法中，一部分貓執行搜尋模式，剩下的則執行跟蹤模式，兩種模式通過結合率 MR(Mixture Ratio)進行交互，MR 表示執行跟蹤模式下的貓的數量在整個貓群中所佔的比例，在程序中 MR應為一個較小的值。利用貓群演算法解決優化問題，首先需要確定參與優化計算的個體數，即貓的數量。每隻貓的屬性(包括由M維組成的自身位置)、每一維的速度、對基準函數的適應值及表示貓是處於搜尋模式或者跟蹤模式的標識值。當貓進行完搜尋模式和跟蹤模式後，根據適應度函數計算它們的適應度並保留當前群體中最好的解。之後再根據結合率隨機地將貓群分為搜尋部分和跟蹤部分的貓，以此方法進行迭代計算直到達到預設的迭代次數。

搜尋模式用來模擬貓的當前狀態，分別為休息、四處查看、搜尋下一個移動位置。在搜尋模式中，定義了 4 個基本要素:記憶池(SMP)、變化域(SRD)、變化數(CDC)、自身位置判斷(SPC)。SMP 定義了每一隻貓的搜尋記憶大小，表示貓所搜尋到的位置點，貓將根據適應度大小從記憶池中選擇一個最好的位置點。SRD 表示選擇域的變異率，搜尋模式中，每一維的改變范圍由變化域決定，根據經驗一般取值為0.2。CDC 指每一隻貓將要變異的維數的個數，其值是一個從 0 到總維數之間的隨機值。SPC 是一個布爾值，表示貓是否將已經過的位置作為將要移動到的候選位置之一，其值不影響 SMP 的取值。

(1)將當前位置復制 份副本放在記憶池中， ，即記憶池的大小為 ;如果 SPC 的值為真，令 ，將當前位置保留為候選解。
(2)對記憶池中的每個個體副本，根據 的大小，隨機地對當前值加上或者減去 (變化域由百分率表示)，並用更新後的值來代替原來的值。
(3)分別計算記憶池中所有候選解的適應度值。
(4)從記憶池中選擇適應度值最高的候選點來代替當前貓的位置，完成貓的位置更新。

跟蹤模式用來模擬貓跟蹤目標時的情況。通過改變貓的每一維的速度(即特徵值)來更新貓的位置，速度的改變是通過增加一個隨機的擾動來實現的。

(1)速度更新。整個貓群經歷過的最好位置，即目前搜索到的最優解，記做 。每隻貓的速度記做 ，每隻貓根據公式(1)來更新自己的速度。

表示更新後第 只貓在第 維的速度值， 為維數大小; 表示貓群中當前具有最好適應度值的貓的位置; 指當前第 只貓在第 維的位置， 是個常量，其值需要根據不同的問題而定。 是一個［0，1］之間的隨機值。

(2)判斷每一維的速度變化是否都在SRD內。給每一維的變異加一個限制范圍，是為了防止其變化過大，造成演算法在解空間的盲目隨機搜索。SRD 在演算法執行之前給定，如果每一維改變後的值超出了 SRD 的限制范圍，則將其設定為給定的邊界值。

(3)位置更新。根據公式(2)利用更新後的速度來更新貓的位置。

式中， 表示第 只貓更新後的位置。

演算法流程圖如下：

[1]馬知也,施秋紅.貓群演算法研究綜述[J].甘肅廣播電視大學學報,2014,24(02):41-45.

https://mianbaoo.com/o/bread/aJWcl5s=

㈦ 圖像處理中應用的尋優演算法有哪些

高級點的智能演算法包括粒子演算法、卡爾曼、蟻群、退火、神經網路....
常規的經典演算法包括梯度、Hessian 矩陣、拉格朗日乘數、單純形法、梯度下降法.....
還可以看一下凸優化、線性規劃等等

㈧ 求助matlab編程！！！演算法尋優

你好

像這樣的求最小值，可以用很多演算法，可以用命令窗口編程，或者利用優化工具箱。對於初學者，可以利用optimization toolbox裡面演算法，只要自己寫一個目標函數就可以了。

一般的有約束多變數函數都可以通過fmincon函數求解得到，但是如果初始值選取不恰當也可以可以陷入局部最優。全局最優搜索能力比較強的可能屬智能演算法了，如遺傳演算法等等下面我採用fmincon函數嘗試求解：

目標函數寫好好，保存為funmint.m文件，函數如下;

functionZ=funmint(x)
x1=x(1);
x2=x(2);
x3=x(3);
x4=x(4);
S1=x(5);
S2=x(6);
eg=64.11-0.043-0.49*x2-0.06*x3-0.075*x4-3.258e-4*x1*x2+9.712e-5*x1*x3...
+2.781e-4*x1*x4-4.738e-5*x2*x3-1.212e-3*x2+6.053e-4*x3*x4+...
7.775e-4*x1^2+1.125e-3*x2^2-8.665e-4*x3^2+5.89e-3*x4^2;
sd=-6.02953+0.03583*x1+0.067595*x2-2.90115e-3*x3-0.053463*x4-1.7325e-4*x1*x2+...
1.1525e-4*x1*x3-7.4375e-5*x1*x4-6.3375e-5*x2*x3+4.03125e-4*x2*x4-...
3.16562e-4*x3*x4+3.625e-6*x1^2-1.07375e-4*x2^2-2.68437e-5*x3^2-3.27344e-4*x4^2;
Z=sd+1e7*abs(-eg+0.0518*sd+S1)+1e7*abs(0.1-eg-0.0518*sd+S2);

在命令窗口中輸入下面這些求解代碼：

clear
lb=[60235402100];
ub=[802558029InfInf];
x0=[7024560251010];
options=optimset('Algorithm','active-set');
[x,fval]=fmincon(@funmint,x0,[],[],[],[],lb,ub,[],options)

可以得到一個最小值，以及對應的6個變數如下：

x=[62.9860 244.9435 74.5278 21.3001 1.8670 2.0691]

最小值為：

fval=3.4326

當然你也可以換用其他函數，只要把fmincon換了就可以。優化函數結構都差不多。

希望對你有幫助！

㈨ 華為DriveONE加持，打造「強動力」「超舒適」全新AITO

中國，深圳，2021年12月23日，全新高端智慧汽車品牌AITO正式發布。值得注意的是，AITO首款車型問界M5搭載華為DriveONE動力域解決方案，在高效率的前提下還能實現強動力和超舒適這兩大特性。前非同步和後同步雙電機驅動，使百公里加速達到4秒級別，在實際測試中可實現0-100km/h連續加速20次，支持180km/h高速巡航電機不過溫，為用戶打造極致駕駛體驗。 

在「雙碳」目標的指引下，汽車產業正在向新能源和智能化的方向轉型。華為以「數字化技術+數字化平台」為抓手，與汽車產業深度融合，加速汽車產業電動化進程。華為DriveONE全棧動力域解決方案囊括了電驅動系統、車載集成電源和電池管理系統，這套系統包含電機、MCU、PDU、OBC、DC/DC、減速器、AI BMS等核心部件。華為深耕電力電子底層基礎技術30多年，已擁有較強的研發實力以及相關產品領域的技術背景，助力DriveONE成為行業領先的解決方案。

AITO問界M5通過搭載華為DriveONE 動力域解決方案，實現了強動力、超舒適、高安全、靈活便利的豪華級駕乘體驗。

· 高速電機加持智能油冷，釋放更大駕駛空間，打造更強動力體驗

在駕駛過程中，由於機械能損耗和電流的熱效應，電機的線圈繞組、轉子以及電機轉子與齒輪結合部等都極易產生熱量，若熱量不被及時帶走，將會導致電機溫度過高。高溫會燒壞繞組絕緣層導致電機短路從而毀壞，也會使得轉子的磁性消失，停止轉動引發事故，因此動力總成的熱管理技術非常關鍵。

目前存在水冷和油冷兩種電機冷卻方式。採用水冷技術，出於絕緣的考慮，繞組和冷卻液中間隔了一層水套，熱量傳遞效率低，難以滿足電機高速轉動下的散熱要求。華為DriveONE三合一電驅採用效果更佳的智能油冷技術，實現電驅超小體積、超輕重量、超長壽命、超優性能。

華為DriveONE車載充電系統支持3.5kVA的對外放電功能，具備高精度的絕緣逆變檢測功能，可精確地識別到漏電流並告警中斷，切實保障V2L/V2V用電安全。

華為DriveONE目前已經搭載在十多家主流車企的中高端車型上，持續引領電動汽車動力域產業的發展。華為智能電動將秉承「以客戶為中心」的初心，繼續砥礪前行，幫助車企造好車，為全球用戶提供更優質的電動出行產品。