正文

灰狼優(yōu)化算法應用（灰狼優(yōu)化算法應用）

發(fā)布時間：2023-04-14 10:10:06 稿源：創(chuàng)意嶺閱讀： 132

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關于灰狼優(yōu)化算法應用的問題，以下是小編對此問題的歸納整理，讓我們一起來看看吧。

開始之前先推薦一個非常厲害的Ai人工智能工具，一鍵生成原創(chuàng)文章、方案、文案、工作計劃、工作報告、論文、代碼、作文、做題和對話答疑等等

只需要輸入關鍵詞，就能返回你想要的內(nèi)容，越精準，寫出的就越詳細，有微信小程序端、在線網(wǎng)頁版、PC客戶端

官網(wǎng)：https://ai.de1919.com。

創(chuàng)意嶺作為行業(yè)內(nèi)優(yōu)秀的企業(yè)，服務客戶遍布全球各地，如需了解SEO相關業(yè)務請撥打電話175-8598-2043，或添加微信：1454722008

本文目錄:

1、優(yōu)化算法筆記（一）優(yōu)化算法的介紹
2、智能優(yōu)化算法是幾階算法
3、算法分析的目的是什么？
4、社區(qū)檢測（community detection）

灰狼優(yōu)化算法應用（灰狼優(yōu)化算法應用）

一、優(yōu)化算法筆記（一）優(yōu)化算法的介紹

（以下描述，均不是學術用語，僅供大家快樂的閱讀）

我們常見常用的算法有排序算法,字符串遍歷算法,尋路算法等。這些算法都是為了解決特定的問題而被提出。

算法本質(zhì)是一種按照固定步驟執(zhí)行的過程。

優(yōu)化算法也是這樣一種過程，是一種根據(jù)概率按照固定步驟尋求問題的最優(yōu)解的過程。與常見的排序算法、尋路算法不同的是，優(yōu)化算法不具備等冪性，是一種概率算法。算法不斷的迭代執(zhí)行同一步驟直到結(jié)束，其流程如下圖。

等冪性即對于同樣的輸入，輸出是相同的。

比如圖1，對于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于相同的重力作用下，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(jié)論，魚更重或者熊掌更重。我們可以認為，秤是一個等冪性的算法（工具）。

現(xiàn)在把問題變一變，問魚與熊掌你更愛哪個，那么現(xiàn)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。說明喜愛這個算法不是一個等冪性算法。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(zhuǎn)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，再來說什么是概率算法。簡單來說就是看臉、看人品、看運氣的算法。

有一場考試，考試的內(nèi)容全部取自課本，同時老師根據(jù)自己的經(jīng)驗給同學們劃了重點，但是因為試卷并不是該老師所出，也會有考試內(nèi)容不在重點之內(nèi)，老師估計試卷中至少80%內(nèi)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(jié)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(nèi)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(nèi)容，學渣心里苦啊。

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，還等什么。

這時，如果重點內(nèi)容遠少于書本內(nèi)容時，學渣的學習策略有了優(yōu)勢——花費的時間和精力較少。但是同時，學渣的分數(shù)也是一個未知數(shù)，可能得到80分也可能拿到100分，分數(shù)完全取決于重點內(nèi)容與題目的契合度，契合度越高，分數(shù)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(shù)范圍。

學霸的學習策略是一種遍歷性算法，他會遍歷、通讀全部內(nèi)容，以保證滿分。

學渣的學習策略則是一種概率算法，他只會遍歷、學習重點內(nèi)容，但至于這些重點是不是真重點他也不知道。

與遍歷算法相比，概率算法的結(jié)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）。概率算法的最大優(yōu)點就是花費較少的代價來獲取最高的收益，在現(xiàn)實中體現(xiàn)于節(jié)省時間，使用很少的時間得到一個不與最優(yōu)解相差較多的結(jié)果。

“莊子：吾生也有涯，而知也無涯；以有涯隨無涯，殆矣?！钡囊馑际牵喝松怯邢薜模R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。關于概率算法還衍生出了一些有趣的理論，比如墨菲定律和幸存者偏差，此處不再詳述。

上面說到，優(yōu)化算法就是不停的執(zhí)行同樣的策略、步驟直到結(jié)束。為什么要這樣呢？因為優(yōu)化算法是一種概率算法，執(zhí)行一次操作就得到最優(yōu)結(jié)果幾乎是不可能的，重復多次取得最優(yōu)的概率也會增大。

栗子又來了，要從1-10這10個數(shù)中取出一個大于9的數(shù)，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(yōu)化算法就是這樣簡單粗暴的來求解問題的嗎？非也，這并不是一個恰當?shù)睦樱驗槊看稳?shù)的操作之間是相互獨立的，第2次取數(shù)的結(jié)果不受第1次取數(shù)結(jié)果的影響，假設前99次都沒達到要求，那么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(yōu)化算法中，后一次的計算會依賴前一次的結(jié)果，以保證后一次的結(jié)果不會差于前一次的結(jié)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(tài)轉(zhuǎn)移的過程中,當前狀態(tài)轉(zhuǎn)移的概率只取決于上一步的狀態(tài),與其他步的狀態(tài)無關。簡單來說就是當前的結(jié)果只受上一步的結(jié)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(shù)中取出一個大于9的數(shù)的這個例子。基于馬爾可夫鏈的概率算法在取數(shù)時需要使當前取的數(shù)不小于上一次取的數(shù)。比如上次取到了3，那么下次只能在3-10這幾個數(shù)中取，這樣一來，達到目標的概率應該會顯著提升。還是用數(shù)據(jù)說話。

取1次達到要求的概率仍然是

取2次內(nèi)達到要求的概率為

取3次內(nèi)達到要求的概率為

取4次內(nèi)……太麻煩了算了不算了

可以看出基于馬爾可夫鏈來取數(shù)時，3次內(nèi)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。說明基于馬爾可夫鏈的概率算法求解效率明顯高于隨機概率算法。那為什么不將所有的算法都基于馬爾可夫鏈呢？原因一，其實現(xiàn)方式不是那么簡單，例子中我們規(guī)定了取數(shù)的規(guī)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?shù)膹秃像R爾科夫鏈的模型才能使用。原因二，并不是所有的問題都符合馬爾科夫鏈條件，比如原子內(nèi)電子出現(xiàn)的位置，女朋友為什么會生（lou）氣，彩票號碼的規(guī)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(yōu)化算法，再來討論討論優(yōu)化算法的使用場景。

前面說了優(yōu)化算法是一種概率算法，無法保證一定能得到最優(yōu)解，故如果要求結(jié)果必須是確定、穩(wěn)定的值，則無法使用優(yōu)化算法求解。

例1，求城市a與城市b間的最短路線。如果結(jié)果用來修建高速、高鐵，那么其結(jié)果必定是唯一確定的值，因為修路寸土寸金，必須選取最優(yōu)解使花費最少。但如果結(jié)果是用來趕路，那么即使沒有選到最優(yōu)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(xiàn)在將問題改一下，求城市a到城市b耗時最少的線路。現(xiàn)在我們無法馬上得出確切的答案，因為最短的線路可能并不是最快的路線，還需要考慮到天氣，交通路況等因素，該問題的結(jié)果是一個動態(tài)的結(jié)果，不同的時間不同的天氣我們很可能得出不同的結(jié)果。

現(xiàn)實生產(chǎn)、生活中，也有不少的場景使用的優(yōu)化算法。例如我們的使用的美圖軟件，停車場車牌識別，人臉識別等，其底層參數(shù)可能使用了優(yōu)化算法來加速參數(shù)計算，其參數(shù)的細微差別對結(jié)果的影響不太大，需要較快的得出誤差范圍內(nèi)的參數(shù)即可；電商的推薦系統(tǒng)等也使用了優(yōu)化算法來加速參數(shù)的訓練和收斂，我們會發(fā)現(xiàn)每次刷新時，推給我們的商品都有幾個會發(fā)生變化，而且隨著我們對商品的瀏覽，系統(tǒng)推給我們的商品也會發(fā)生變化，其結(jié)果是動態(tài)變化的；打車軟件的訂單系統(tǒng)，會根據(jù)司機和客人的位置，區(qū)域等來派發(fā)司機給客人，不同的區(qū)域，不同的路況，派發(fā)的司機也是動態(tài)變化的。

綜上我們可以大致總結(jié)一下推薦、不推薦使用優(yōu)化算法的場景的特點。

前面說過，優(yōu)化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(zhuǎn)換成客觀的問題，如身高——“修八尺有余”，“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(zhuǎn)化成客觀問題后我們可以得到各個解的分數(shù)，通過比較分數(shù)，我們就能知道如何取舍如何優(yōu)化。這個轉(zhuǎn)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(shù)，這個函數(shù)對優(yōu)化算法來說是一個黑盒函數(shù)，即不需要知道其內(nèi)部實現(xiàn)只需要給出輸入，得到輸出。

在優(yōu)化算法中這個黑盒函數(shù)叫做適應度函數(shù) ，優(yōu)化算法的求解過程就是尋找適應度函數(shù)最優(yōu)解的過程，使用優(yōu)化算法時我們最大的挑戰(zhàn)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(yōu)化算法來求解問題啦。（“合適”二字談何容易）

優(yōu)化算法的大致介紹到此結(jié)束，后面我們會依次介紹常見、經(jīng)典的優(yōu)化算法，并探究其參數(shù)對算法性能的影響。

——2019.06.20

[目錄]

[下一篇優(yōu)化算法筆記（二）優(yōu)化算法的分類]

二、智能優(yōu)化算法是幾階算法

是八階算法，主要包括:

(1)遺傳算法: 模仿自然界生物進化機制

(2)差分進化算法: 通過群體個體間的合作與競爭來優(yōu)化搜索

(3)免疫算法: 模擬生物免疫系統(tǒng)學習和認知功能

(4)蟻群算法:模擬螞蟻集體尋徑行為

(5)粒子群算法:模擬鳥群和魚群群體行為

(6)模擬退火算法:源于固體物質(zhì)退火過程

(7)禁忌搜索算法:模擬人類智力記憶過程

(8)神經(jīng)網(wǎng)絡算法:模擬動物神經(jīng)網(wǎng)絡行為特征

三、算法分析的目的是什么？

分析算法的效率以求改進。

算法分析是對一個算法需要多少計算時間和存儲空間作定量的分析。算法（Algorithm）是解題的步驟，可以把算法定義成解一確定類問題的任意一種特殊的方法。

四、社區(qū)檢測（community detection）

社區(qū)檢測（community detection）又被稱為是社區(qū)發(fā)現(xiàn)，它是用來揭示網(wǎng)絡聚集行為的一種技術。社區(qū)檢測實際就是一種網(wǎng)絡聚類的方法，這里的“社區(qū)”在文獻中并沒有一種嚴格的定義，我們可以將其理解為一類具有相同特性的節(jié)點的集合。

近年來，社區(qū)檢測得到了快速的發(fā)展，這主要是由于復雜網(wǎng)絡領域中的大牛Newman提出了一種模塊度（modularity）的概念，從而使得網(wǎng)絡社區(qū)劃分的優(yōu)劣可以有一個明確的評價指標來衡量。一個網(wǎng)絡不通情況下的社區(qū)劃分對應不同的模塊度，模塊度越大，對應的社區(qū)劃分也就越合理；如果模塊度越小，則對應的網(wǎng)絡社區(qū)劃分也就越模糊。

下圖描述了網(wǎng)絡中的社區(qū)結(jié)構(gòu)：

Newman提出的模塊度計算公式如下:

所以模塊度其實就是指一個網(wǎng)絡在某種社區(qū)劃分下與隨機網(wǎng)絡的差異，因為隨機網(wǎng)絡并不具有社區(qū)結(jié)構(gòu)，對應的差異越大說明該社區(qū)劃分越好。

Newman提出的模塊度具有兩方面的意義：

（1）模塊度的提出成為了社區(qū)檢測評價一種常用指標，它是度量網(wǎng)絡社區(qū)劃分優(yōu)劣的量化指標；

（2）模塊度的提出極大地促進了各種優(yōu)化算法應用于社區(qū)檢測領域的發(fā)展。在模塊度的基礎之上，許多優(yōu)化算法以模塊度為優(yōu)化的目標方程進行優(yōu)化，從而使得目標函數(shù)達到最大時得到不錯的社區(qū)劃分結(jié)果。

當然，模塊度的概念不是絕對合理的，它也有弊端，比如分辨率限制問題等，后期國內(nèi)學者在模塊度的基礎上提出了模塊度密度的概念，可以很好的解決模塊度的弊端，這里就不詳細介紹了。

常用的社區(qū)檢測方法主要有如下幾種：

（1）基于圖分割的方法，如Kernighan-Lin算法，譜平分法等；

（2）基于層次聚類的方法，如GN算法、Newman快速算法等；

（3）基于模塊度優(yōu)化的方法，如貪婪算法、模擬退火算法、Memetic算法、PSO算法、進化多目標優(yōu)化算法等

以上就是關于灰狼優(yōu)化算法應用相關問題的回答。希望能幫到你，如有更多相關問題，您也可以聯(lián)系我們的客服進行咨詢，客服也會為您講解更多精彩的知識和內(nèi)容。