本文共 4671 字,大约阅读时间需要 15 分钟。
最优化算法的思想在于,我们往往并不需要得到最优解,而是得到一个近似最优解,来节省时间的开销。
* 随机算法 为了解决遍历引发的时间问题,有时候在没有严格要求的情况下,可以通过随机去一定的点,比较这些取的点数,总能找到一个近似最优解的情况。
爬山算法
随机算法没有逻辑可寻,成本较低,但是效果较差。而爬山算法利用了数据的内在规律。就像爬山一样,为了,爬到上的最顶部,在到达一个点后,我们总是环顾四周,寻找比当前位置高的地方,然后继续往上爬。即比较当前位置的邻近值。模拟退火
很显然,爬山算法有个缺陷,比如,如果我们的当前位置是E,当取A,D两个值作比较时,会排除D点,这样结果将陷入到局部最大值A。为了避免在最开始就陷入局部最大值,所以,我们引入了一个概率PP = exp[-(newcost - oldcost)/ T ]
,即在温度很高时或者之后的值与第一个值相差不大时,会更可能不排除在外。越往后,随着温度的降低,将越来越接近爬山算法。这样在最初就不会排除D,从而可以顺利找到B遗传算法
遗传算法类似于人类进化论,即物种总是朝着最优秀的方向进化,进化的方式有重组和变异,重组及优秀个体交换信息,变异即优秀个体内部改变元素。选择即我们通过成本函数进行排序,选择更好的值。""" @author: zoutai@file: optimization.py @time: 2018/04/22 @description: """import randomimport timeimport mathpeople = [('Seymour', 'BOS'), ('Franny', 'DAL'), ('Zooey', 'CAK'), ('Walt', 'MIA'), ('Buddy', 'ORD'), ('Les', 'OMA')]# newyork的Laguardia机场destination = 'LGA'# 第一步,以出发地-目的地为key,以具体的航班信息为value,做字典映射flights = {}for line in open('schedule.txt'): origin, dest, departTime, arriveTime, price = line.strip().split(',') flights.setdefault((origin, dest), []) # 多趟航班,使用append flights[(origin, dest)].append((departTime, arriveTime, int(price)))# 返回时间的分钟表示def getminutes(t): x = time.strptime(t, '%H:%M') return x[3] * 60 + x[4]def printschedule(r): for d in range(len(r) // 2): name = people[d][0] origin = people[d][1] go = flights[(origin, dest)][r[d * 2]] back = flights[(dest, origin)][r[d * 2 + 1]] print('%10s%10s,%5s-%5s,%3s,%5s-%5s,%3s' % (name, origin, go[0], go[1], go[2], back[0], back[1], back[2]))s = [1, 4, 3, 2, 7, 3, 6, 3, 2, 4, 5, 3]printschedule(s)# 成本函数=等待时间+机票+出租车def schedulecost(sol): totalcost = 0 earliestDep = 24 * 60 latestArrive = 0 for d in range(len(sol) // 2): name = people[d][0] origin = people[d][1] go = flights[(origin, dest)][int(sol[d * 2])] back = flights[(dest, origin)][sol[int(d * 2 + 1)]] totalcost += go[2] + back[2] if latestArrive < getminutes(go[1]): latestArrive = getminutes(go[1]) if earliestDep > getminutes(back[0]): earliestDep = getminutes(back[0]) totalWait = 0 for d in range(len(sol) // 2): go = flights[(origin, dest)][sol[d * 2]] back = flights[(origin, dest)][sol[d * 2 + 1]] totalWait += (latestArrive - getminutes(go[1])) totalWait += (getminutes(back[0]) - earliestDep) # 出租车50/天 if latestArrive < earliestDep: totalcost += 50 return totalcost + totalWaitprint("默认初始化值:",schedulecost(s))domain = [(0, 9)] * (len(people) * 2)# 1、随机法def randomoptimize(domain, costf): best = 999999999 # bestRs = None iterNum = 1000 for i in range(iterNum): r = [random.randint(domain[i][0], domain[i][1]) for i in range(len(domain))] cost = costf(r) if cost < best: best = cost # bestRs = best return r, bestr, best = randomoptimize(domain,schedulecost)print("随机法:",best)# 2、爬山法# 对于每一个未知数,搜索维度方向上的邻近节点,取最小值,直到最小值不变,退出def hillClimb(domain,costf): # 创建随机解-初始化 sol = [random.randint(domain[i][0],domain[i][1]) for i in range(len(domain))] # 循环 while 1: # 创建邻接-表:二维的,即左右两个 neighbors = [] # 这里面的邻接区并不完全对,应该再加上一个维度循环,即单独固定一个变量变化 for j in range(len(domain)): if sol[j]>domain[j][0]: neighbors.append(sol[0:j]+[sol[j]-1]+sol[j+1:]) if sol[j]cost: best=cost sol = neighbors[j] # 整个邻接区都没有更好的,则终止循环 if best==current: break; return sol,bestsol,best = hillClimb(domain,schedulecost)print("爬山法:",best)# 3、模拟退火# 原理相对于爬山法,为了避免陷入局部最小值,在初期的时候,对于不符合的结果,暂时不排除# T:初始温度,cool:冷却因子,step方向步长def annealingoptimize(domain,costf,T=10000,cool=0.95,step=1): # 初始化随机值 vec = [random.randint(domain[i][0],domain[i][1]) for i in range(len(domain))] while T > 0.1: # 随机选择一个方向 i = random.randint(0,len(domain)-1) director = random.randint(-step,step) vecb = vec[:] vecb[i]+=director # 偏移 # 防止出界 if vecb[i] domain[i][1]: vecb[i]=domain[i][1] costCur = costf(vec) costB = costf(vecb) if (costB costCur,也不用保留之前的vec,因为,温度下降后,会再返回到当前值 # 降低温度 T = T * cool return vec,costf(vec)sol,best = annealingoptimize(domain,schedulecost)print("模拟退火算法:",best)# 4、遗传算法def geneticoptimize(domain,costf,popsize=50,step=1,mutprob=0.2,elite=0.2,mixiter=100): # 变异 def mutate(vec): i = random.randint(0,len(domain)-1) # 随机数什么用? if random.random()<0.5 and vec[i]>domain[i][0]: return vec[:i]+[vec[i]-step]+vec[i+1:] elif vec[i]
转载地址:http://ihepi.baihongyu.com/