❶ 优化算法笔记（十三）鲸鱼算法
（以下描述，均不是学术用语，仅供大家快乐的阅读）
鲸鱼算法（Whale Optimization Algorithm）是根据鲸鱼围捕猎物的行为而提出的算法。鲸鱼是一种群居的哺乳动物，在捕猎时它们也会相互合作对猎物进行驱赶和围捕。鲸鱼算法提出时间并不长，也是一个新兴的优化算法，研究应用案例不多。
鲸鱼算法中，每个鲸鱼的位置代表了一个可行解。在鲸鱼群捕猎过程中，每只鲸鱼有两种行为，一种是包围猎物，所有的鲸鱼都向着其他鲸鱼前进；另一种是汽包网，鲸鱼环形游动喷出气泡来驱赶猎物。在每一代的游动中，鲸鱼们会随机选择这两种行为来进行捕猎。在鲸鱼进行包围猎物的行为中，鲸鱼将会随机选择是向着最优位置的鲸鱼游去还是随机选择一只鲸鱼作为自己的目标，并向其靠近。
鲸鱼算法，显而易见，主角就是鲸鱼了。
在D维解空间内每个鲸鱼的位置为
每只鲸鱼随机选择进行包围猎物或者是使用汽泡网驱赶猎物，每只鲸鱼选择这两种行为的该率是等的，即P(包围)=P(汽泡网)=0.5。
鲸鱼在包围猎物时会选择向着最优位置的鲸鱼游动或者向着一只随机鲸鱼游动。
该鲸鱼的位置更新公式入下：
其中 为当前最优的鲸鱼的位置，A的每一维为均匀分布在（-a,a）内的随机数，a的初始值为2,随着迭代次数线性递减至0；C为均匀分布在（0,2）内的随机数。||表示数的绝对值，即 每一维的值都是非负数。
该鲸鱼的位置更新公式入下：
其中 为当前群体中随机选择的鲸鱼的位置。
那么鲸鱼在什么时候选择向最优个体游动，什么时候选择随机个体为目标呢？
这个将由A的值决定
当 时，鲸鱼选择向着最优个体游动。注意A是一个D维的向量，所以是A的模小于1时，鲸鱼向着最优个体游动。
当 时，鲸鱼选择向着随机个体游动。
可以看出在包围猎物的过程中，鲸鱼算法的搜索模式为在距最优个体较近的周围搜索或者在距随机个体较远的附近搜索。
2.2气泡网
鲸鱼在捕猎时会喷出汽包形成气泡网来驱赶猎物。
其中b为常数（没找到定义，默认取1），l为均匀分布在[-1,1]内的随机数。
每次行动之前，每只鲸鱼都会抛个硬币，来决定是选择包围猎物还是使用气泡网来驱赶猎物。
从上面的描述可以看出，鲸鱼算法的流程也十分的简单。
适应度函数
实验一 ：标准鲸鱼算法
从图上可以看出算法的收敛性还是很强的，在第35代左右就已经完全收敛。再看最后的结果，已经是非常好的结果了，同样也说明的算法的局部搜索能力很强。这样印证了上一节我的说法，算法收敛速度快，缺少跳出局部最优的能力。
从算法的流程我们可以看出，算法的收敛性大概是由参数a来决定的，由于a从2递减为0，使算法的搜索范围越来越小，从而加速算法的收敛。这应该是一个优化后的参数，现在我们固定住a，来弱化算法，减弱其收敛性，看看全局搜索和跳出局部最优能力是否有所加强。
实验二 ：固定参数a
从图像可以看出，算法几乎没有收敛的了，算法的收敛速度依旧很快。
看看实验结果。
结果比标准鲸鱼算法差，能说明参数a影响了算法的搜索精度，参数a对算法收敛性的影响在于a对向量A的影响。固定a=1.5时使A的模较之前相比有更大的概率大于1，此时鲸鱼们在包围猎物的行为中选择游向最优个体的概率更小，从而使算法的收敛速度更慢，同时算法的全局搜索能力有一定的提升。
鲸鱼算法作为一个新兴算法，我对它的研究也不是太多。纵观算法的流程，可以看出标准的鲸鱼算法和萤火虫算法有相似之处，它们都是在算法前期进行全局搜索，而在算法的后期进行局部搜索，也都没有跳出局部最优的操作。在面对简单问题上表现出的优秀性能到了复杂问题上可能会有所下降，但是由于算法流程、结构相对简单，算法的改进点感觉也不是太多。
以下指标纯属个人yy,仅供参考
参考文献
Mirjalili S, Lewis A. The Whale Optimization Algorithm[J]. Advances in Engineering Software, 2016, 95:51-67. 提取码：b13x
目录
上一篇优化算法笔记（十二）烟花算法
下一篇 优化算法笔记（十四）水波算法
优化算法matlab实现（十三）鲸鱼算法matlab实现
❷ 传统优化算法和现代优化算法包括哪些.区别是什么
1. 传统优化算法一般是针对结构化的问题，有较为明确的问题和条件描述，如线性规划，二次规划，整数规划，混合规划，带约束和不带约束条件等，即有清晰的结构信息；而智能优化算法一般针对的是较为普适的问题描述，普遍比较缺乏结构信息。
2. 传统优化算法不少都属于凸优化范畴，有唯一明确的全局最优点；而智能优化算法针对的绝大多数是多极值问题，如何防止陷入局部最优而尽可能找到全局最优是采纳智能优化算法的根本原因：对于单极值问题，传统算法大部分时候已足够好，而智能算法没有任何优势；对多极值问题，智能优化算法通过其有效设计可以在跳出局部最优和收敛到一个点之间有个较好的平衡，从而实现找到全局最优点，但有的时候局部最优也是可接受的，所以传统算法也有很大应用空间和针对特殊结构的改进可能。
3. 传统优化算法一般是确定性算法，有固定的结构和参数，计算复杂度和收敛性可做理论分析；智能优化算法大多属于启发性算法，能定性分析却难定量证明，且大多数算法基于随机特性，其收敛性一般是概率意义上的，实际性能不可控，往往收敛速度也比较慢，计算复杂度较高。
❸ 优化算法笔记（十四）水波算法
（以下描述，均不是学术用语，仅供大家快乐的阅读）
水波算法（Water wave optimization）是根据水波理论提出的优化算法。什么是水波理论？简单来说就是水波的宽度越小，其频率越高，频率与水波宽度的平方根成反比（具体细节我也不懂，物理方面的）。水波算法也算是一种受物理现象（理论）启发而提出的算法，提出时间并不长，还有大量的研究和应用可以深入进行。
在水波算法中，水波有三种形式来对空间进行搜索。1.传播，2.折射，3.碎浪。传播即水波向周围扩散开来，折射是水波的高度趋近与0时改变了传播的方向（我是真的理解不能，光可以折射，水也能折射的咯？），碎浪即水波的高度较高时，水波破碎形成浪花。可以看出水波的传播是贯穿整个算法流程的，而折射只会发生在水波高度减少至0时，碎浪则发生在水波过高时。
（强行解释最为致命，作者开心就好）。
将每一个水波想象成一个独立的个体，那么每个水波将拥有3个属性：位置X，波长 以及波高h。
在每一次迭代过程中，每个水波都会通过传播的形式来对空间进行搜索同时水波的高度h会减少1。其位置更新公式如下：
其中 为该水波的波长， 为当前搜索空间的上下界。 的值会随着迭代的进行而改变：
其中 为波长的衰减系数， 为一个较小的数以保证分母不为0。
每次传播后，如果当前的水波优于传播前的水波，则传播到该位置，否则波浪的高度h会减少1，即：
上式中适应度函数值越大，表明位置越优。
在一个水波进行传播之后，该水波有可能进行折射。每次传播，水波的高度h会减少1，当h减少到0时，该水波将发生折射，同时其高度和波长也会改变，折射及高度波长改变公式如下：
折射后的位置正态分布在以当前水波和最优水波中点为均值，当前水波与最优水波距离为方差的位置。
在折射后水波的高度将会重新初始化为最大高度：
折射后， 会重新计算该水波的波长 ：
在水波进行传播之后，到达了一个优于当前最优水波的位置，则该水波将会进行碎浪，并将当前最优水波传播到碎浪产生的位置。
碎浪位置的产生公式如下：
k为一个随机数，每次碎浪将会随机选择k个维度来进行改变。 为一个常数。如果碎浪得到的结果优于当前最优水波，则改变当前最优水波到碎浪的位置。
是不是感觉流程图有点复杂，其实算法没有那么复杂，整个过程一共只有三个操作，一个水波在一代中最多只会执行两种方式。每个水波可能的搜索方式有三种：1.传播，2.先传播后碎浪，3.先传播后折射。
适应度函数
由于水波算法收敛较慢，所以最大迭代次数使用100。
实验一 ：
从图像中可以看出，个体在向着中心不断的收敛，其收敛速度不算很快。其结果也相对稳定。
从图像可以推测出，水波算法的核心参数其实是水波的最大高度，水波的最大高度决定了算法的收敛速度和精度，就像人工蜂群算法中的蜜源最大开采次数一样。若一个个体连续多代没有找到优于当前的位置，它将改变自己的策略。
从算法的具体实现可以看出，传播是一个在自身周围的全局搜索的过程，折射则属于一个大概率局部搜索，小概率跳出局部最优的操作，而碎浪则是进一步的局部搜索。那么水波的最大高度越高，则水波算法的全局搜索能力越强，但收敛速度越慢，反正，算法的收敛速度越快。
实验二 ：减少算法的水波最大高度至5
从图像可以看出算法的收敛速度明显比实验一要快，在第30代时已经快收敛于一个点了。从结果来看，实验二的结果也优于实验一，由于水波的最大高度较小，算法进行碎浪和折射的次数增加了，即算法的局部搜索能力增强了。
同样之前的算法中也提到过多次，收敛速度越快，群体越容易聚集到同一个区域，算法也越容易陷入局部最优，而适应度函数对优化算法来说是一个黑盒函数，无法得知其复杂程度。所以对于实验所使用的较为简单的测试函数，水波的最大高度越小，结果的精度越高，而面对未知的问题时，应该选取较大的水波高度以避免陷入局部最优。同样物极必反，水波的最大高度过大可能会使算法的局部搜索较弱，我们可以选取一个动态的水波最大高度。
实验三 ：水波最大高度随迭代次数增加由12递减至2
看图像和结果感觉和实验一差别不大，唯一的区别就是最优值要好于实验一。在这个简单的测试函数中无法表现出其应有的特点，由于算法后期群体已经较为集中，也无法明显的看出算法的收敛速度是否随着迭代次数增加而加快。
水波算法也是一个新兴算法，算法的流程较为复杂且可修改参数较多。算法的流程和思想与蜂群算法有点类似，但水波算法更为复杂。水波算法的三个搜索策略，传播是一个全局搜索行为，也有一定的跳出局部最优能力；折射则是一个局部搜索过程，由于正态分布的原因，有较小的概率产生跳出局部最优的操作；碎浪则是一个更进一步的局部搜索，只在最优位置附近搜索。
其搜索策略使算法在整个流程中都拥有全局搜索和局部搜索能力，全局搜索与局部搜索之间的平衡由水波的最大高度决定，最大高度约大，全局搜索能力越强，收敛速度越慢，反之，局部搜索能力越强，收敛速度越快。
以下指标纯属个人yy,仅供参考
参考文献
Zheng, Yu-Jun. Water wave optimization: A new nature-inspired metaheuristic[J]. Computers & Operations Research, 2015, 55:1-11. 提取码：fo70
目录
上一篇 优化算法笔记（十三）鲸鱼算法
下一篇 优化算法笔记（十五）蝙蝠算法
优化算法matlab实现（十四）水波算法matlab实现
❹ 优化算法笔记（一）优化算法的介绍
（以下描述，均不是学术用语，仅供大家快乐的阅读）
我们常见常用的算法有排序算法,字符串遍历算法,寻路算法等。这些算法都是为了解决特定的问题而被提出。
算法本质是一种按照固定步骤执行的过程。
优化算法也是这样一种过程，是一种根据概率按照固定步骤寻求问题的最优解的过程。与常见的排序算法、寻路算法不同的是，优化算法不具备等幂性，是一种 概率算法 。算法不断的 迭代 执行同一步骤直到结束，其流程如下图。
等幂性即 对于同样的输入，输出是相同的 。
比如图1，对于给定的鱼和给定的熊掌，我们在相同的条件下一定可以知道它们谁更重，当然，相同的条件是指鱼和熊掌处于相同的重力作用下，且不用考虑水分流失的影响。在这些给定的条件下，我们（无论是谁）都将得出相同的结论，鱼更重或者熊掌更重。我们可以认为，秤是一个等幂性的算法（工具）。
现在把问题变一变，问鱼与熊掌你更爱哪个，那么现在，这个问题，每个人的答案可能不会一样，鱼与熊掌各有所爱。说明喜爱这个算法不是一个等幂性算法。当然你可能会问，哪个更重，和更喜欢哪个这两个问题一个是客观问题，一个是主观问题，主观问题没有确切的答案的。当我们处理主观问题时，也会将其转换成客观问题，比如给喜欢鱼和喜欢熊掌的程度打个分，再去寻求答案，毕竟计算机没有感情，只认0和1（量子计算机我不认识你）。
说完了等幂性，再来说什么是概率算法。简单来说就是看脸、看人品、看运气的算法。
有一场考试，考试的内容全部取自课本，同时老师根据自己的经验给同学们划了重点，但是因为试卷并不是该老师所出，也会有考试内容不在重点之内，老师估计试卷中至少80%内容都在重点中。学霸和学渣参加了考试，学霸为了考满分所以无视重点，学渣为了pass，因此只看了重点。这样做的结果一定是score(学霸)>=score(学渣)。
当重点跟上图一样的时候，所有的内容都是重点的时候，学霸和学渣的学习策略变成了相同的策略，则score(学霸)=score(学渣)。但同时，学渣也要付出跟学霸相同的努力去学习这些内容，学渣心里苦啊。
当课本如下图时
学霸？学霸人呢，哪去了快来学习啊，不是说学习一时爽，一直学习一直爽吗，快来啊，还等什么。
这时，如果重点内容远少于书本内容时，学渣的学习策略有了优势——花费的时间和精力较少。但是同时，学渣的分数也是一个未知数，可能得到80分也可能拿到100分，分数完全取决于重点内容与题目的契合度，契合度越高，分数越高。对学渣来说，自己具体能考多少分无法由自己决定，但是好在能够知道大概的分数范围。
学霸的学习策略是一种遍历性算法，他会遍历、通读全部内容，以保证满分。
学渣的学习策略则是一种概率算法，他只会遍历、学习重点内容，但至于这些重点是不是真重点他也不知道。
与遍历算法相比，概率算法的结果具有不确定性，可能很好，也可能很差，但是会消耗更少的资源，比如时间（人生），空间（记忆）。概率算法的最大优点就是 花费较少的代价来获取最高的收益 ，在现实中体现于节省时间，使用很少的时间得到一个不与最优解相差较多的结果。
“庄子：吾生也有涯，而知也无涯；以有涯随无涯，殆矣。”的意思是：人生是有限的，但知识是无限的（没有边界的），用有限的人生追求无限的知识，是必然失败的。
生活中概率算法（思想）的应用其实比较广泛，只是我们很少去注意罢了。关于概率算法还衍生出了一些有趣的理论，比如墨菲定律和幸存者偏差，此处不再详述。
上面说到，优化算法就是不停的执行同样的策略、步骤直到结束。为什么要这样呢？因为优化算法是一种概率算法，执行一次操作就得到最优结果几乎是不可能的，重复多次取得最优的概率也会增大。
栗子又来了，要从1-10这10个数中取出一个大于9的数，只取1次，达到要求的概率为10%，取2次，达到要求的概率为19%。
可以看出取到第10次时，达到要求的概率几乎65%，取到100次时，达到要求的概率能接近100%。优化算法就是这样简单粗暴的来求解问题的吗？非也，这并不是一个恰当的例子，因为每次取数的操作之间是相互独立的，第2次取数的结果不受第1次取数结果的影响，假设前99次都没达到要求，那么再取一次达到要求的概率跟取一次达到要求的概率相同。
优化算法中，后一次的计算会依赖前一次的结果，以保证后一次的结果不会差于前一次的结果。这就不得不谈到马尔可夫链了。
由铁组成的链叫做铁链，同理可得，马尔可夫链就是马尔可夫组成的链。
言归正传, 马尔可夫链（Markov Chain, MC） ,描述的是 状态转移的过程中,当前状态转移的概率只取决于上一步的状态,与其他步的状态无关 。简单来说就是当前的结果只受上一步的结果的影响。每当我看到马尔可夫链时，我都会陷入沉思，生活中、或者历史中有太多太多与马尔可夫链相似的东西。西欧封建等级制度中“附庸的附庸不是我的附庸”与“昨天的努力决定今天的生活，今天的努力决定明天的生活”，你的下一份工作的工资大多由你当前的工资决定，这些都与马尔可夫链有异曲同工之处。
还是从1-10这10个数中取出一个大于9的数的这个例子。基于马尔可夫链的概率算法在取数时需要使当前取的数不小于上一次取的数。比如上次取到了3，那么下次只能在3-10这几个数中取，这样一来，达到目标的概率应该会显着提升。还是用数据说话。
取1次达到要求的概率仍然是
取2次内达到要求的概率为
取3次内达到要求的概率为
取4次内……太麻烦了算了不算了
可以看出基于马尔可夫链来取数时，3次内能达到要求的概率与不用马尔可夫链时取6次的概率相当。说明基于马尔可夫链的概率算法求解效率明显高于随机概率算法。那为什么不将所有的算法都基于马尔可夫链呢？原因一，其实现方式不是那么简单，例子中我们规定了取数的规则是复合马尔可夫链的，而在其他问题中我们需要建立适当的复合马尔科夫链的模型才能使用。原因二，并不是所有的问题都符合马尔科夫链条件，比如原子内电子出现的位置，女朋友为什么会生（lou）气，彩票号码的规律等，建立模型必须与问题有相似之处才能较好的解决问题。
介绍完了优化算法，再来讨论讨论优化算法的使用场景。
前面说了优化算法是一种概率算法，无法保证一定能得到最优解，故如果要求结果必须是确定、稳定的值，则无法使用优化算法求解。
例1，求城市a与城市b间的最短路线。如果结果用来修建高速、高铁，那么其结果必定是唯一确定的值，因为修路寸土寸金，必须选取最优解使花费最少。但如果结果是用来赶路，那么即使没有选到最优的路线，我们可能也不会有太大的损失。
例2，求城市a与城市b间的最短路线，即使有两条路径，路径1和路径2，它们从a到b的距离相同，我们也可以得出这两条路径均为满足条件的解。现在将问题改一下，求城市a到城市b耗时最少的线路。现在我们无法马上得出确切的答案，因为最短的线路可能并不是最快的路线，还需要考虑到天气，交通路况等因素，该问题的结果是一个动态的结果，不同的时间不同的天气我们很可能得出不同的结果。
现实生产、生活中，也有不少的场景使用的优化算法。例如我们的使用的美图软件，停车场车牌识别，人脸识别等，其底层参数可能使用了优化算法来加速参数计算，其参数的细微差别对结果的影响不太大，需要较快的得出误差范围内的参数即可；电商的推荐系统等也使用了优化算法来加速参数的训练和收敛，我们会发现每次刷新时，推给我们的商品都有几个会发生变化，而且随着我们对商品的浏览，系统推给我们的商品也会发生变化，其结果是动态变化的；打车软件的订单系统，会根据司机和客人的位置，区域等来派发司机给客人，不同的区域，不同的路况，派发的司机也是动态变化的。
综上我们可以大致总结一下推荐、不推荐使用优化算法的场景的特点。
前面说过，优化算法处理的问题都是客观的问题，如果遇到主观的问题，比如“我孰与城北徐公美”，我们需要将这个问题进行量化而转换成客观的问题，如身高——“修八尺有余”，“外貌——形貌昳丽”，自信度——“明日徐公来，孰视之，自以为不如；窥镜而自视，又弗如远甚”，转化成客观问题后我们可以得到各个解的分数，通过比较分数，我们就能知道如何取舍如何优化。这个转化过程叫做问题的建模过程，建立的问题模型实际上是一个函数，这个函数对优化算法来说是一个黑盒函数，即不需要知道其内部实现只需要给出输入，得到输出。
在优化算法中这个黑盒函数叫做 适应度函数 ， 优化算法的求解过程就是寻找适应度函数最优解的过程 ，使用优化算法时我们最大的挑战就是如何将抽象的问题建立成具体的模型，一旦合适的模型建立完成，我们就可以愉快的使用优化算法来求解问题啦。（“合适”二字谈何容易）
优化算法的大致介绍到此结束，后面我们会依次介绍常见、经典的优化算法，并探究其参数对算法性能的影响。
——2019.06.20
[目录]
[下一篇 优化算法笔记（二）优化算法的分类]
❺ 人工鱼群算法及其应用研究的研究方法是什么
人工鱼群算法及其应用研究的研究方法是智能优化算法。智能优化算法作为新兴的搜索算法,一般是指利用自然界的生物系统与优化过程的某些相似性而逐步发展起来的优化算法,如遗传算法、粒子群算法、蚁群算法等,它们通过对搜索空间中的一组解按概率规则操作得到下一组解而人工鱼群算法及其应用研究的研究方法包括在智能优化算法内，所以人工鱼群算法及其应用研究的研究方法是智能优化算法。
❻ 算法优化有哪些主要方法和作用
优化算法有很多，关键是针对不同的优化问题，例如可行解变量的取值（连续还是离散）、目标函数和约束条件的复杂程度（线性还是非线性）等，应用不同的算法。
对于连续和线性等较简单的问题，可以选择一些经典算法，如梯度、Hessian
矩阵、拉格朗日乘数、单纯形法、梯度下降法等。
而对于更复杂的问题，则可考虑用一些智能优化算法，如遗传算法和蚁群算法，此外还包括模拟退火、禁忌搜索、粒子群算法等。
❼ 物联网技术在土木工程中的应用存在的问题
信号系统和硬件系统存在问题
(1) 楼宇空调系统
空调物联网智能控制系统基于物联网技术, 通过智能优化算法根据环境等因素做出分析, 空调系统在算法分析结果下做出相应的调整, 优化其运行。比如当楼宇内的温度和湿度达到适宜数据指标时, 空调可根据数据指示暂时处于休止状态, 使空调系统达到最大限度降低能耗, 提高利用效率。
(2) 楼宇消防、安防系统
通过铺设各项消防烟雾传感器并对其进行网络连接, 使配有物联网系统的楼宇, 接收到报警信息时能迅速联动指挥控制中心, 物管也可据此巡查、询问、出警, 以避免重大灾害发生。对于非法入侵, 物联网安防系统通过红外感应器、门磁、玻璃破碎等各种设施进行非法入侵检测, 当检测到不法入侵信号或者设施被损坏时, 立即触发报警, 为尽快解除安全隐患提供最快的信息并极大地争取了更多的时间。