❶ 優化演算法筆記（十三）鯨魚演算法
（以下描述，均不是學術用語，僅供大家快樂的閱讀）
鯨魚演算法（Whale Optimization Algorithm）是根據鯨魚圍捕獵物的行為而提出的演算法。鯨魚是一種群居的哺乳動物，在捕獵時它們也會相互合作對獵物進行驅趕和圍捕。鯨魚演算法提出時間並不長，也是一個新興的優化演算法，研究應用案例不多。
鯨魚演算法中，每個鯨魚的位置代表了一個可行解。在鯨魚群捕獵過程中，每隻鯨魚有兩種行為，一種是包圍獵物，所有的鯨魚都向著其他鯨魚前進；另一種是汽包網，鯨魚環形游動噴出氣泡來驅趕獵物。在每一代的游動中，鯨魚們會隨機選擇這兩種行為來進行捕獵。在鯨魚進行包圍獵物的行為中，鯨魚將會隨機選擇是向著最優位置的鯨魚游去還是隨機選擇一隻鯨魚作為自己的目標，並向其靠近。
鯨魚演算法，顯而易見，主角就是鯨魚了。
在D維解空間內每個鯨魚的位置為
每隻鯨魚隨機選擇進行包圍獵物或者是使用汽泡網驅趕獵物，每隻鯨魚選擇這兩種行為的該率是等的，即P(包圍)=P(汽泡網)=0.5。
鯨魚在包圍獵物時會選擇向著最優位置的鯨魚游動或者向著一隻隨機鯨魚游動。
該鯨魚的位置更新公式入下：
其中 為當前最優的鯨魚的位置，A的每一維為均勻分布在（-a,a）內的隨機數，a的初始值為2,隨著迭代次數線性遞減至0；C為均勻分布在（0,2）內的隨機數。||表示數的絕對值，即 每一維的值都是非負數。
該鯨魚的位置更新公式入下：
其中 為當前群體中隨機選擇的鯨魚的位置。
那麼鯨魚在什麼時候選擇向最優個體游動，什麼時候選擇隨機個體為目標呢？
這個將由A的值決定
當 時，鯨魚選擇向著最優個體游動。注意A是一個D維的向量，所以是A的模小於1時，鯨魚向著最優個體游動。
當 時，鯨魚選擇向著隨機個體游動。
可以看出在包圍獵物的過程中，鯨魚演算法的搜索模式為在距最優個體較近的周圍搜索或者在距隨機個體較遠的附近搜索。
2.2氣泡網
鯨魚在捕獵時會噴出汽包形成氣泡網來驅趕獵物。
其中b為常數（沒找到定義，默認取1），l為均勻分布在[-1,1]內的隨機數。
每次行動之前，每隻鯨魚都會拋個硬幣，來決定是選擇包圍獵物還是使用氣泡網來驅趕獵物。
從上面的描述可以看出，鯨魚演算法的流程也十分的簡單。
適應度函數
實驗一 ：標准鯨魚演算法
從圖上可以看出演算法的收斂性還是很強的，在第35代左右就已經完全收斂。再看最後的結果，已經是非常好的結果了，同樣也說明的演算法的局部搜索能力很強。這樣印證了上一節我的說法，演算法收斂速度快，缺少跳出局部最優的能力。
從演算法的流程我們可以看出，演算法的收斂性大概是由參數a來決定的，由於a從2遞減為0，使演算法的搜索范圍越來越小，從而加速演算法的收斂。這應該是一個優化後的參數，現在我們固定住a，來弱化演算法，減弱其收斂性，看看全局搜索和跳出局部最優能力是否有所加強。
實驗二 ：固定參數a
從圖像可以看出，演算法幾乎沒有收斂的了，演算法的收斂速度依舊很快。
看看實驗結果。
結果比標准鯨魚演算法差，能說明參數a影響了演算法的搜索精度，參數a對演算法收斂性的影響在於a對向量A的影響。固定a=1.5時使A的模較之前相比有更大的概率大於1，此時鯨魚們在包圍獵物的行為中選擇游向最優個體的概率更小，從而使演算法的收斂速度更慢，同時演算法的全局搜索能力有一定的提升。
鯨魚演算法作為一個新興演算法，我對它的研究也不是太多。縱觀演算法的流程，可以看出標準的鯨魚演算法和螢火蟲演算法有相似之處，它們都是在演算法前期進行全局搜索，而在演算法的後期進行局部搜索，也都沒有跳出局部最優的操作。在面對簡單問題上表現出的優秀性能到了復雜問題上可能會有所下降，但是由於演算法流程、結構相對簡單，演算法的改進點感覺也不是太多。
以下指標純屬個人yy,僅供參考
參考文獻
Mirjalili S, Lewis A. The Whale Optimization Algorithm[J]. Advances in Engineering Software, 2016, 95:51-67. 提取碼：b13x
目錄
上一篇優化演算法筆記（十二）煙花演算法
下一篇 優化演算法筆記（十四）水波演算法
優化演算法matlab實現（十三）鯨魚演算法matlab實現
❷ 傳統優化演算法和現代優化演算法包括哪些.區別是什麼
1. 傳統優化演算法一般是針對結構化的問題，有較為明確的問題和條件描述，如線性規劃，二次規劃，整數規劃，混合規劃，帶約束和不帶約束條件等，即有清晰的結構信息；而智能優化演算法一般針對的是較為普適的問題描述，普遍比較缺乏結構信息。
2. 傳統優化演算法不少都屬於凸優化范疇，有唯一明確的全局最優點；而智能優化演算法針對的絕大多數是多極值問題，如何防止陷入局部最優而盡可能找到全局最優是採納智能優化演算法的根本原因：對於單極值問題，傳統演算法大部分時候已足夠好，而智能演算法沒有任何優勢；對多極值問題，智能優化演算法通過其有效設計可以在跳出局部最優和收斂到一個點之間有個較好的平衡，從而實現找到全局最優點，但有的時候局部最優也是可接受的，所以傳統演算法也有很大應用空間和針對特殊結構的改進可能。
3. 傳統優化演算法一般是確定性演算法，有固定的結構和參數，計算復雜度和收斂性可做理論分析；智能優化演算法大多屬於啟發性演算法，能定性分析卻難定量證明，且大多數演算法基於隨機特性，其收斂性一般是概率意義上的，實際性能不可控，往往收斂速度也比較慢，計算復雜度較高。
❸ 優化演算法筆記（十四）水波演算法
（以下描述，均不是學術用語，僅供大家快樂的閱讀）
水波演算法（Water wave optimization）是根據水波理論提出的優化演算法。什麼是水波理論？簡單來說就是水波的寬度越小，其頻率越高，頻率與水波寬度的平方根成反比（具體細節我也不懂，物理方面的）。水波演算法也算是一種受物理現象（理論）啟發而提出的演算法，提出時間並不長，還有大量的研究和應用可以深入進行。
在水波演算法中，水波有三種形式來對空間進行搜索。1.傳播，2.折射，3.碎浪。傳播即水波向周圍擴散開來，折射是水波的高度趨近與0時改變了傳播的方向（我是真的理解不能，光可以折射，水也能折射的咯？），碎浪即水波的高度較高時，水波破碎形成浪花。可以看出水波的傳播是貫穿整個演算法流程的，而折射只會發生在水波高度減少至0時，碎浪則發生在水波過高時。
（強行解釋最為致命，作者開心就好）。
將每一個水波想像成一個獨立的個體，那麼每個水波將擁有3個屬性：位置X，波長 以及波高h。
在每一次迭代過程中，每個水波都會通過傳播的形式來對空間進行搜索同時水波的高度h會減少1。其位置更新公式如下：
其中 為該水波的波長， 為當前搜索空間的上下界。 的值會隨著迭代的進行而改變：
其中 為波長的衰減系數， 為一個較小的數以保證分母不為0。
每次傳播後，如果當前的水波優於傳播前的水波，則傳播到該位置，否則波浪的高度h會減少1，即：
上式中適應度函數值越大，表明位置越優。
在一個水波進行傳播之後，該水波有可能進行折射。每次傳播，水波的高度h會減少1，當h減少到0時，該水波將發生折射，同時其高度和波長也會改變，折射及高度波長改變公式如下：
折射後的位置正態分布在以當前水波和最優水波中點為均值，當前水波與最優水波距離為方差的位置。
在折射後水波的高度將會重新初始化為最大高度：
折射後， 會重新計算該水波的波長 ：
在水波進行傳播之後，到達了一個優於當前最優水波的位置，則該水波將會進行碎浪，並將當前最優水波傳播到碎浪產生的位置。
碎浪位置的產生公式如下：
k為一個隨機數，每次碎浪將會隨機選擇k個維度來進行改變。 為一個常數。如果碎浪得到的結果優於當前最優水波，則改變當前最優水波到碎浪的位置。
是不是感覺流程圖有點復雜，其實演算法沒有那麼復雜，整個過程一共只有三個操作，一個水波在一代中最多隻會執行兩種方式。每個水波可能的搜索方式有三種：1.傳播，2.先傳播後碎浪，3.先傳播後折射。
適應度函數
由於水波演算法收斂較慢，所以最大迭代次數使用100。
實驗一 ：
從圖像中可以看出，個體在向著中心不斷的收斂，其收斂速度不算很快。其結果也相對穩定。
從圖像可以推測出，水波演算法的核心參數其實是水波的最大高度，水波的最大高度決定了演算法的收斂速度和精度，就像人工蜂群演算法中的蜜源最大開采次數一樣。若一個個體連續多代沒有找到優於當前的位置，它將改變自己的策略。
從演算法的具體實現可以看出，傳播是一個在自身周圍的全局搜索的過程，折射則屬於一個大概率局部搜索，小概率跳出局部最優的操作，而碎浪則是進一步的局部搜索。那麼水波的最大高度越高，則水波演算法的全局搜索能力越強，但收斂速度越慢，反正，演算法的收斂速度越快。
實驗二 ：減少演算法的水波最大高度至5
從圖像可以看出演算法的收斂速度明顯比實驗一要快，在第30代時已經快收斂於一個點了。從結果來看，實驗二的結果也優於實驗一，由於水波的最大高度較小，演算法進行碎浪和折射的次數增加了，即演算法的局部搜索能力增強了。
同樣之前的演算法中也提到過多次，收斂速度越快，群體越容易聚集到同一個區域，演算法也越容易陷入局部最優，而適應度函數對優化演算法來說是一個黑盒函數，無法得知其復雜程度。所以對於實驗所使用的較為簡單的測試函數，水波的最大高度越小，結果的精度越高，而面對未知的問題時，應該選取較大的水波高度以避免陷入局部最優。同樣物極必反，水波的最大高度過大可能會使演算法的局部搜索較弱，我們可以選取一個動態的水波最大高度。
實驗三 ：水波最大高度隨迭代次數增加由12遞減至2
看圖像和結果感覺和實驗一差別不大，唯一的區別就是最優值要好於實驗一。在這個簡單的測試函數中無法表現出其應有的特點，由於演算法後期群體已經較為集中，也無法明顯的看出演算法的收斂速度是否隨著迭代次數增加而加快。
水波演算法也是一個新興演算法，演算法的流程較為復雜且可修改參數較多。演算法的流程和思想與蜂群演算法有點類似，但水波演算法更為復雜。水波演算法的三個搜索策略，傳播是一個全局搜索行為，也有一定的跳出局部最優能力；折射則是一個局部搜索過程，由於正態分布的原因，有較小的概率產生跳出局部最優的操作；碎浪則是一個更進一步的局部搜索，只在最優位置附近搜索。
其搜索策略使演算法在整個流程中都擁有全局搜索和局部搜索能力，全局搜索與局部搜索之間的平衡由水波的最大高度決定，最大高度約大，全局搜索能力越強，收斂速度越慢，反之，局部搜索能力越強，收斂速度越快。
以下指標純屬個人yy,僅供參考
參考文獻
Zheng, Yu-Jun. Water wave optimization: A new nature-inspired metaheuristic[J]. Computers & Operations Research, 2015, 55:1-11. 提取碼：fo70
目錄
上一篇 優化演算法筆記（十三）鯨魚演算法
下一篇 優化演算法筆記（十五）蝙蝠演算法
優化演算法matlab實現（十四）水波演算法matlab實現
❹ 優化演算法筆記（一）優化演算法的介紹
（以下描述，均不是學術用語，僅供大家快樂的閱讀）
我們常見常用的演算法有排序演算法,字元串遍歷演算法,尋路演算法等。這些演算法都是為了解決特定的問題而被提出。
演算法本質是一種按照固定步驟執行的過程。
優化演算法也是這樣一種過程，是一種根據概率按照固定步驟尋求問題的最優解的過程。與常見的排序演算法、尋路演算法不同的是，優化演算法不具備等冪性，是一種 概率演算法 。演算法不斷的 迭代 執行同一步驟直到結束，其流程如下圖。
等冪性即 對於同樣的輸入，輸出是相同的 。
比如圖1，對於給定的魚和給定的熊掌，我們在相同的條件下一定可以知道它們誰更重，當然，相同的條件是指魚和熊掌處於相同的重力作用下，且不用考慮水分流失的影響。在這些給定的條件下，我們（無論是誰）都將得出相同的結論，魚更重或者熊掌更重。我們可以認為，秤是一個等冪性的演算法（工具）。
現在把問題變一變，問魚與熊掌你更愛哪個，那麼現在，這個問題，每個人的答案可能不會一樣，魚與熊掌各有所愛。說明喜愛這個演算法不是一個等冪性演算法。當然你可能會問，哪個更重，和更喜歡哪個這兩個問題一個是客觀問題，一個是主觀問題，主觀問題沒有確切的答案的。當我們處理主觀問題時，也會將其轉換成客觀問題，比如給喜歡魚和喜歡熊掌的程度打個分，再去尋求答案，畢竟計算機沒有感情，只認0和1（量子計算機我不認識你）。
說完了等冪性，再來說什麼是概率演算法。簡單來說就是看臉、看人品、看運氣的演算法。
有一場考試，考試的內容全部取自課本，同時老師根據自己的經驗給同學們劃了重點，但是因為試卷並不是該老師所出，也會有考試內容不在重點之內，老師估計試卷中至少80%內容都在重點中。學霸和學渣參加了考試，學霸為了考滿分所以無視重點，學渣為了pass，因此只看了重點。這樣做的結果一定是score(學霸)>=score(學渣)。
當重點跟上圖一樣的時候，所有的內容都是重點的時候，學霸和學渣的學習策略變成了相同的策略，則score(學霸)=score(學渣)。但同時，學渣也要付出跟學霸相同的努力去學習這些內容，學渣心裡苦啊。
當課本如下圖時
學霸？學霸人呢，哪去了快來學習啊，不是說學習一時爽，一直學習一直爽嗎，快來啊，還等什麼。
這時，如果重點內容遠少於書本內容時，學渣的學習策略有了優勢——花費的時間和精力較少。但是同時，學渣的分數也是一個未知數，可能得到80分也可能拿到100分，分數完全取決於重點內容與題目的契合度，契合度越高，分數越高。對學渣來說，自己具體能考多少分無法由自己決定，但是好在能夠知道大概的分數范圍。
學霸的學習策略是一種遍歷性演算法，他會遍歷、通讀全部內容，以保證滿分。
學渣的學習策略則是一種概率演算法，他只會遍歷、學習重點內容，但至於這些重點是不是真重點他也不知道。
與遍歷演算法相比，概率演算法的結果具有不確定性，可能很好，也可能很差，但是會消耗更少的資源，比如時間（人生），空間（記憶）。概率演算法的最大優點就是 花費較少的代價來獲取最高的收益 ，在現實中體現於節省時間，使用很少的時間得到一個不與最優解相差較多的結果。
「莊子：吾生也有涯，而知也無涯；以有涯隨無涯，殆矣。」的意思是：人生是有限的，但知識是無限的（沒有邊界的），用有限的人生追求無限的知識，是必然失敗的。
生活中概率演算法（思想）的應用其實比較廣泛，只是我們很少去注意罷了。關於概率演算法還衍生出了一些有趣的理論，比如墨菲定律和倖存者偏差，此處不再詳述。
上面說到，優化演算法就是不停的執行同樣的策略、步驟直到結束。為什麼要這樣呢？因為優化演算法是一種概率演算法，執行一次操作就得到最優結果幾乎是不可能的，重復多次取得最優的概率也會增大。
栗子又來了，要從1-10這10個數中取出一個大於9的數，只取1次，達到要求的概率為10%，取2次，達到要求的概率為19%。
可以看出取到第10次時，達到要求的概率幾乎65%，取到100次時，達到要求的概率能接近100%。優化演算法就是這樣簡單粗暴的來求解問題的嗎？非也，這並不是一個恰當的例子，因為每次取數的操作之間是相互獨立的，第2次取數的結果不受第1次取數結果的影響，假設前99次都沒達到要求，那麼再取一次達到要求的概率跟取一次達到要求的概率相同。
優化演算法中，後一次的計算會依賴前一次的結果，以保證後一次的結果不會差於前一次的結果。這就不得不談到馬爾可夫鏈了。
由鐵組成的鏈叫做鐵鏈，同理可得，馬爾可夫鏈就是馬爾可夫組成的鏈。
言歸正傳, 馬爾可夫鏈（Markov Chain, MC） ,描述的是 狀態轉移的過程中,當前狀態轉移的概率只取決於上一步的狀態,與其他步的狀態無關 。簡單來說就是當前的結果只受上一步的結果的影響。每當我看到馬爾可夫鏈時，我都會陷入沉思，生活中、或者歷史中有太多太多與馬爾可夫鏈相似的東西。西歐封建等級制度中「附庸的附庸不是我的附庸」與「昨天的努力決定今天的生活，今天的努力決定明天的生活」，你的下一份工作的工資大多由你當前的工資決定，這些都與馬爾可夫鏈有異曲同工之處。
還是從1-10這10個數中取出一個大於9的數的這個例子。基於馬爾可夫鏈的概率演算法在取數時需要使當前取的數不小於上一次取的數。比如上次取到了3，那麼下次只能在3-10這幾個數中取，這樣一來，達到目標的概率應該會顯著提升。還是用數據說話。
取1次達到要求的概率仍然是
取2次內達到要求的概率為
取3次內達到要求的概率為
取4次內……太麻煩了算了不算了
可以看出基於馬爾可夫鏈來取數時，3次內能達到要求的概率與不用馬爾可夫鏈時取6次的概率相當。說明基於馬爾可夫鏈的概率演算法求解效率明顯高於隨機概率演算法。那為什麼不將所有的演算法都基於馬爾可夫鏈呢？原因一，其實現方式不是那麼簡單，例子中我們規定了取數的規則是復合馬爾可夫鏈的，而在其他問題中我們需要建立適當的復合馬爾科夫鏈的模型才能使用。原因二，並不是所有的問題都符合馬爾科夫鏈條件，比如原子內電子出現的位置，女朋友為什麼會生（lou）氣，彩票號碼的規律等，建立模型必須與問題有相似之處才能較好的解決問題。
介紹完了優化演算法，再來討論討論優化演算法的使用場景。
前面說了優化演算法是一種概率演算法，無法保證一定能得到最優解，故如果要求結果必須是確定、穩定的值，則無法使用優化演算法求解。
例1，求城市a與城市b間的最短路線。如果結果用來修建高速、高鐵，那麼其結果必定是唯一確定的值，因為修路寸土寸金，必須選取最優解使花費最少。但如果結果是用來趕路，那麼即使沒有選到最優的路線，我們可能也不會有太大的損失。
例2，求城市a與城市b間的最短路線，即使有兩條路徑，路徑1和路徑2，它們從a到b的距離相同，我們也可以得出這兩條路徑均為滿足條件的解。現在將問題改一下，求城市a到城市b耗時最少的線路。現在我們無法馬上得出確切的答案，因為最短的線路可能並不是最快的路線，還需要考慮到天氣，交通路況等因素，該問題的結果是一個動態的結果，不同的時間不同的天氣我們很可能得出不同的結果。
現實生產、生活中，也有不少的場景使用的優化演算法。例如我們的使用的美圖軟體，停車場車牌識別，人臉識別等，其底層參數可能使用了優化演算法來加速參數計算，其參數的細微差別對結果的影響不太大，需要較快的得出誤差范圍內的參數即可；電商的推薦系統等也使用了優化演算法來加速參數的訓練和收斂，我們會發現每次刷新時，推給我們的商品都有幾個會發生變化，而且隨著我們對商品的瀏覽，系統推給我們的商品也會發生變化，其結果是動態變化的；打車軟體的訂單系統，會根據司機和客人的位置，區域等來派發司機給客人，不同的區域，不同的路況，派發的司機也是動態變化的。
綜上我們可以大致總結一下推薦、不推薦使用優化演算法的場景的特點。
前面說過，優化演算法處理的問題都是客觀的問題，如果遇到主觀的問題，比如「我孰與城北徐公美」，我們需要將這個問題進行量化而轉換成客觀的問題，如身高——「修八尺有餘」，「外貌——形貌昳麗」，自信度——「明日徐公來，孰視之，自以為不如；窺鏡而自視，又弗如遠甚」，轉化成客觀問題後我們可以得到各個解的分數，通過比較分數，我們就能知道如何取捨如何優化。這個轉化過程叫做問題的建模過程，建立的問題模型實際上是一個函數，這個函數對優化演算法來說是一個黑盒函數，即不需要知道其內部實現只需要給出輸入，得到輸出。
在優化演算法中這個黑盒函數叫做 適應度函數 ， 優化演算法的求解過程就是尋找適應度函數最優解的過程 ，使用優化演算法時我們最大的挑戰就是如何將抽象的問題建立成具體的模型，一旦合適的模型建立完成，我們就可以愉快的使用優化演算法來求解問題啦。（「合適」二字談何容易）
優化演算法的大致介紹到此結束，後面我們會依次介紹常見、經典的優化演算法，並探究其參數對演算法性能的影響。
——2019.06.20
[目錄]
[下一篇 優化演算法筆記（二）優化演算法的分類]
❺ 人工魚群演算法及其應用研究的研究方法是什麼
人工魚群演算法及其應用研究的研究方法是智能優化演算法。智能優化演算法作為新興的搜索演算法,一般是指利用自然界的生物系統與優化過程的某些相似性而逐步發展起來的優化演算法,如遺傳演算法、粒子群演算法、蟻群演算法等,它們通過對搜索空間中的一組解按概率規則操作得到下一組解而人工魚群演算法及其應用研究的研究方法包括在智能優化演算法內，所以人工魚群演算法及其應用研究的研究方法是智能優化演算法。
❻ 演算法優化有哪些主要方法和作用
優化演算法有很多，關鍵是針對不同的優化問題，例如可行解變數的取值（連續還是離散）、目標函數和約束條件的復雜程度（線性還是非線性）等，應用不同的演算法。
對於連續和線性等較簡單的問題，可以選擇一些經典演算法，如梯度、Hessian
矩陣、拉格朗日乘數、單純形法、梯度下降法等。
而對於更復雜的問題，則可考慮用一些智能優化演算法，如遺傳演算法和蟻群演算法，此外還包括模擬退火、禁忌搜索、粒子群演算法等。
❼ 物聯網技術在土木工程中的應用存在的問題
信號系統和硬體系統存在問題
(1) 樓宇空調系統
空調物聯網智能控制系統基於物聯網技術, 通過智能優化演算法根據環境等因素做出分析, 空調系統在演算法分析結果下做出相應的調整, 優化其運行。比如當樓宇內的溫度和濕度達到適宜數據指標時, 空調可根據數據指示暫時處於休止狀態, 使空調系統達到最大限度降低能耗, 提高利用效率。
(2) 樓宇消防、安防系統
通過鋪設各項消防煙霧感測器並對其進行網路連接, 使配有物聯網系統的樓宇, 接收到報警信息時能迅速聯動指揮控制中心, 物管也可據此巡查、詢問、出警, 以避免重大災害發生。對於非法入侵, 物聯網安防系統通過紅外感應器、門磁、玻璃破碎等各種設施進行非法入侵檢測, 當檢測到不法入侵信號或者設施被損壞時, 立即觸發報警, 為盡快解除安全隱患提供最快的信息並極大地爭取了更多的時間。