正文

優(yōu)化算法分類（優(yōu)化算法分類有哪些）

發(fā)布時(shí)間：2023-03-19 18:56:10 稿源：創(chuàng)意嶺閱讀： 364 問大家

大家好！今天讓創(chuàng)意嶺的小編來大家介紹下關(guān)于優(yōu)化算法分類的問題，以下是小編對(duì)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(gè)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(jì)劃、工作報(bào)告、論文、代碼、作文、做題和對(duì)話答疑等等

只需要輸入關(guān)鍵詞，就能返回你想要的內(nèi)容，越精準(zhǔn)，寫出的就越詳細(xì)，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)秀企業(yè)，服務(wù)客戶遍布全國，網(wǎng)絡(luò)營銷相關(guān)業(yè)務(wù)請(qǐng)撥打175-8598-2043，或微信：1454722008

本文目錄:

1、組合優(yōu)化問題
2、K-means原理、優(yōu)化、應(yīng)用
3、數(shù)學(xué)建模分類模型有哪些
4、什么是網(wǎng)格搜索法？如何用它來優(yōu)化學(xué)習(xí)算法

優(yōu)化算法分類（優(yōu)化算法分類有哪些）

一、組合優(yōu)化問題

從廣義上講，組合優(yōu)化問題是涉及從有限的一組對(duì)象中找到"最佳"對(duì)象的問題 ?！白罴选笔峭ㄟ^給定的評(píng)估函數(shù)來測(cè)量的，該函數(shù)將對(duì)象映射到某個(gè)分?jǐn)?shù)或者成本，目標(biāo)是找到最高評(píng)估分?jǐn)?shù)和最低成本的對(duì)象。組合優(yōu)化往往涉及排序、分類、篩選等問題。以離散的COP問題來講，目標(biāo)就是從所有可行解中尋找一個(gè)集合、一個(gè)排列或者一個(gè)圖。

旅行商問題 （Traveling Salesman Problem - TSP)

加工調(diào)度問題 （Scheduling Problem，如Flow-Shop，Job-Shop）

0-1背包問題 （Knapsack Problem）

裝箱問題 （Bin Packing Problem）

圖著色問題 （Graph Coloring Problem）

聚類問題 （Clustering Problem）

著名的旅行商問題（TSP）：假設(shè)有一個(gè)旅行商人要拜訪n個(gè)城市，他必須選擇所要走的路徑，路徑的限制是每個(gè)城市只能拜訪一次，而且最后要回到原來出發(fā)的城市。路徑的選擇目標(biāo)是要求得的路徑長度為所有路徑之中的最小值。TSP是一個(gè)典型的組合優(yōu)化問題，且是一個(gè)NP完全難題，關(guān)于NP的這個(gè)概念本文就不做詳細(xì)介紹了，但簡單的說就是：TSP問題目前尚不能找到一個(gè)多項(xiàng)式時(shí)間復(fù)雜度的算法來求解。例如，下圖顯示了美國所有州所在城市的最佳旅游：

對(duì)項(xiàng)目的想法：

BIOS配置尋優(yōu)也可以理解為組合優(yōu)化問題，是一個(gè)NP-hard問題，具有高維的離散動(dòng)作空間。

參考組合優(yōu)化問題求解算法思路的整理

貪婪算法、局部搜索算法、松弛算法、動(dòng)態(tài)規(guī)劃法 等都可用于構(gòu)建近似算法求解。

啟發(fā)式算法可分為傳統(tǒng)啟發(fā)式算法和元啟發(fā)式算法，傳統(tǒng)啟發(fā)式算法包括 構(gòu)造性方法、局部搜索算法、松弛方法、解空間縮減算法等

元啟發(fā)式算法包括 禁忌搜索算法、模擬退火算法、遺傳算法、蟻群算法、粒子群算法、人工神經(jīng)網(wǎng)絡(luò)等 。

參考相關(guān)資料匯總與點(diǎn)評(píng)部分

二、K-means原理、優(yōu)化、應(yīng)用

　K-Means算法是無監(jiān)督的聚類算法，它實(shí)現(xiàn)起來比較簡單，聚類效果也不錯(cuò)，因此應(yīng)用很廣泛。K-Means算法有大量的變體，本文就從最傳統(tǒng)的K-Means算法講起，在其基礎(chǔ)上講述K-Means的優(yōu)化變體方法。包括初始化優(yōu)化K-Means++, 距離計(jì)算優(yōu)化elkan K-Means算法和大數(shù)據(jù)情況下的優(yōu)化Mini Batch K-Means算法。

K-Means算法的思想很簡單，對(duì)于給定的樣本集，按照樣本之間的距離大小，將樣本集劃分為K個(gè)簇。讓簇內(nèi)的點(diǎn)盡量緊密的連在一起，而讓簇間的距離盡量的大。

1、隨機(jī)選擇K個(gè)聚類的初始中心。

2、對(duì)任意一個(gè)樣本點(diǎn)，求其到K個(gè)聚類中心的距離，將樣本點(diǎn)歸類到距離最小的中心的聚類。

3、每次迭代過程中，利用均值等方法更新各個(gè)聚類的中心點(diǎn)（質(zhì)心）。

4、對(duì)K個(gè)聚類中心，利用2、3步迭代更新后，如果位置點(diǎn)變化很小(可以設(shè)置閾值)，則認(rèn)為達(dá)到穩(wěn)定狀態(tài)，迭代結(jié)束。（畫圖時(shí)，可以對(duì)不同的聚類塊和聚類中心可選擇不同的顏色標(biāo)注）

1、原理比較簡單，實(shí)現(xiàn)也是很容易，收斂速度快。

2、聚類效果較優(yōu)。

3、算法的可解釋度比較強(qiáng)。

4、主要需要調(diào)參的參數(shù)僅僅是簇?cái)?shù)k。

1、K值的選取不好把握

2、對(duì)于不是凸的數(shù)據(jù)集比較難收斂

3、如果各隱含類別的數(shù)據(jù)不平衡，比如各隱含類別的數(shù)據(jù)量嚴(yán)重失衡，或者各隱含類別的方差不同，則聚類效果不佳。

4、最終結(jié)果和初始點(diǎn)的選擇有關(guān)，容易陷入局部最優(yōu)。

5、對(duì)噪音和異常點(diǎn)比較的敏感。

解決K-Means算法對(duì) 初始簇心比較敏感的問題，二分K-Means算法是一種弱化初始質(zhì)心的一種算法。

1、將所有樣本數(shù)據(jù)作為一個(gè)簇放到一個(gè)隊(duì)列中。

2、從隊(duì)列中選擇一個(gè)簇進(jìn)行K-Means算法劃分，劃分為兩個(gè)子簇，并將子簇添加到隊(duì)列中。

3、循環(huán)迭代步驟2操作，直到中止條件達(dá)到(聚簇?cái)?shù)量、最小平方誤差、迭代次數(shù)等)。

4、隊(duì)列中的簇就是最終的分類簇集合。

從隊(duì)列中選擇劃分聚簇的規(guī)則一般有兩種方式；分別如下：

1、對(duì)所有簇計(jì)算誤差和SSE(SSE也可以認(rèn)為是距離函數(shù)的一種變種)，選擇SSE最大的聚簇進(jìn)行劃分操作(優(yōu)選這種策略)。

2、選擇樣本數(shù)據(jù)量最多的簇進(jìn)行劃分操作：

由于 K-means 算法的分類結(jié)果會(huì)受到初始點(diǎn)的選取而有所區(qū)別，因此有提出這種算法的改進(jìn): K-means++ 。

其實(shí)這個(gè)算法也只是對(duì)初始點(diǎn)的選擇有改進(jìn)而已，其他步驟都一樣。初始質(zhì)心選取的基本思路就是，初始的聚類中心之間的相互距離要盡可能的遠(yuǎn) 。

1、隨機(jī)選取一個(gè)樣本作為第一個(gè)聚類中心 c1；

2、計(jì)算每個(gè)樣本與當(dāng)前已有類聚中心最短距離（即與最近一個(gè)聚類中心的距離），用 D(x)表示；這個(gè)值越大，表示被選取作為聚類中心的概率較大；最后，用輪盤法選出下一個(gè)聚類中心。

3、重復(fù)步驟2，知道選出 k 個(gè)聚類中心。

4、選出初始點(diǎn)（聚類中心），就繼續(xù)使用標(biāo)準(zhǔn)的 k-means 算法了。

盡管K-Means++在聚類中心的計(jì)算上浪費(fèi)了很多時(shí)間，但是在迭代過程中，k-mean 本身能快速收斂，因此算法實(shí)際上降低了計(jì)算時(shí)間。

解決K-Means++算法缺點(diǎn)而產(chǎn)生的一種算法；主要思路是改變每次遍歷時(shí)候的取樣規(guī)則，并非按照K-Means++算法每次遍歷只獲取一個(gè)樣本，而是每次獲取K個(gè)樣本，重復(fù)該取樣操作O(logn)次 (n是樣本的個(gè)數(shù)) ，然后再將這些抽樣出來的樣本聚類出K個(gè)點(diǎn)，最后使用這K個(gè)點(diǎn)作為K-Means算法的初始聚簇中心點(diǎn)。實(shí)踐證明：一般5次重復(fù)采用就可以保證一個(gè)比較好的聚簇中心點(diǎn)。

1、在N個(gè)樣本中抽K個(gè)樣本，一共抽logn次，形成一個(gè)新的樣本集，一共有Klogn個(gè)數(shù)據(jù)。

2、在新數(shù)據(jù)集中使用K-Means算法，找到K個(gè)聚簇中心。

3、把這K個(gè)聚簇中心放到最初的樣本集中，作為初始聚簇中心。

4、原數(shù)據(jù)集根據(jù)上述初始聚簇中心，再用K-Means算法計(jì)算出最終的聚簇。

Canopy屬于一種‘粗’聚類算法，即使用一種簡單、快捷的距離計(jì)算方法將數(shù)據(jù)集分為若干可重疊的子集canopy，這種算法不需要指定k值、但精度較低，可以結(jié)合K-means算法一起使用：先由Canopy算法進(jìn)行粗聚類得到k個(gè)質(zhì)心，再使用K-means算法進(jìn)行聚類。

1、將原始樣本集隨機(jī)排列成樣本列表L=[x1,x2,...,xm]（排列好后不再更改），根據(jù)先驗(yàn)知識(shí)或交叉驗(yàn)證調(diào)參設(shè)定初始距離閾值T1、T2，且T1>T2 。

2、從列表L中隨機(jī)選取一個(gè)樣本P作為第一個(gè)canopy的質(zhì)心，并將P從列表中刪除。

3、從列表L中隨機(jī)選取一個(gè)樣本Q，計(jì)算Q到所有質(zhì)心的距離，考察其中最小的距離D：

如果D≤T1，則給Q一個(gè)弱標(biāo)記，表示Q屬于該canopy，并將Q加入其中；

如果D≤T2，則給Q一個(gè)強(qiáng)標(biāo)記，表示Q屬于該canopy，且和質(zhì)心非常接近，所以將該canopy的質(zhì)心設(shè)為所有強(qiáng)標(biāo)記樣本的中心位置，并將Q從列表L中刪除；

如果D>T1，則Q形成一個(gè)新的聚簇，并將Q從列表L中刪除。

4、重復(fù)第三步直到列表L中元素個(gè)數(shù)為零。

1、‘粗’距離計(jì)算的選擇對(duì)canopy的分布非常重要，如選擇其中某個(gè)屬性、其他外部屬性、歐式距離等。

2、當(dāng)T2<D≤T1時(shí)，樣本不會(huì)從列表中被刪除，而是繼續(xù)參與下一輪迭代，直到成為新的質(zhì)心或者某個(gè)canopy的強(qiáng)標(biāo)記成員。

3、T1、T2的取值影響canopy的重疊率及粒度：當(dāng)T1過大時(shí)，會(huì)使樣本屬于多個(gè)canopy，各個(gè)canopy間區(qū)別不明顯；當(dāng)T2過大時(shí)，會(huì)減少canopy個(gè)數(shù)，而當(dāng)T2過小時(shí)，會(huì)增加canopy個(gè)數(shù)，同時(shí)增加計(jì)算時(shí)間。

4、canopy之間可能存在重疊的情況，但是不會(huì)存在某個(gè)樣本不屬于任何canopy的情況。

5、Canopy算法可以消除孤立點(diǎn)，即刪除包含樣本數(shù)目較少的canopy，往往這些canopy包含的是孤立點(diǎn)或噪音點(diǎn)。

由于K-Means算法存在初始聚簇中心點(diǎn)敏感的問題，常用使用Canopy+K-Means算法混合形式進(jìn)行模型構(gòu)建。

1、先使用canopy算法進(jìn)行“粗”聚類得到K個(gè)聚類中心點(diǎn)。

2、K-Means算法使用Canopy算法得到的K個(gè)聚類中心點(diǎn)作為初始中心點(diǎn)，進(jìn)行“細(xì)”聚類。

1、執(zhí)行速度快(先進(jìn)行了一次聚簇中心點(diǎn)選擇的預(yù)處理)；

2、不需要給定K值，應(yīng)用場(chǎng)景多。

3、能夠緩解K-Means算法對(duì)于初始聚類中心點(diǎn)敏感的問題。

Mini Batch K-Means算法是K-Means算法的一種優(yōu)化變種，采用小規(guī)模的數(shù)據(jù)子集 (每次訓(xùn)練使用的數(shù)據(jù)集是在訓(xùn)練算法的時(shí)候隨機(jī)抽取的數(shù)據(jù)子集) 減少計(jì)算時(shí)間，同時(shí)試圖優(yōu)化目標(biāo)函數(shù)；Mini Batch K-Means算法可以減少K-Means算法的收斂時(shí)間，而且產(chǎn)生的結(jié)果效果只是略差于標(biāo)準(zhǔn)K-Means算法。

1、首先抽取部分?jǐn)?shù)據(jù)集，使用K-Means算法構(gòu)建出K個(gè)聚簇點(diǎn)的模型。

2、繼續(xù)抽取訓(xùn)練數(shù)據(jù)集中的部分?jǐn)?shù)據(jù)集樣本數(shù)據(jù)，并將其添加到模型中，分配給距離最近的聚簇中心點(diǎn)。

3、更新聚簇的中心點(diǎn)值。

4、循環(huán)迭代第二步和第三步操作，直到中心點(diǎn)穩(wěn)定或者達(dá)到迭代次數(shù)，停止計(jì)算操作。

https://www.jianshu.com/p/f0727880c9c0

三、數(shù)學(xué)建模分類模型有哪些

數(shù)學(xué)建模常用模型有哪些？

1、蒙特卡羅算法（該算法又稱隨機(jī)性模擬算法，是通過計(jì)算機(jī)仿真來解決問題的算

法，同時(shí)可以通過模擬可以來檢驗(yàn)自己模型的正確性，是比賽時(shí)必用的方法）

2、數(shù)據(jù)擬合、參數(shù)估計(jì)、插值等數(shù)據(jù)處理算法（比賽中通常會(huì)遇到大量的數(shù)據(jù)需要

處理，而處理數(shù)據(jù)的關(guān)鍵就在于這些算法，通常使用Matlab作為工具）

3、線性規(guī)劃、整數(shù)規(guī)劃、多元規(guī)劃、二次規(guī)劃等規(guī)劃類問題（建模競(jìng)賽大多數(shù)問題

屬于最優(yōu)化問題，很多時(shí)候這些問題可以用數(shù)學(xué)規(guī)劃算法來描述，通常使用Lindo、

Lingo軟件實(shí)現(xiàn)）

4、圖論算法（這類算法可以分為很多種，包括最短路、網(wǎng)絡(luò)流、二分圖等算法，涉

及到圖論的問題可以用這些方法解決，需要認(rèn)真準(zhǔn)備）

5、動(dòng)態(tài)規(guī)劃、回溯搜索、分治算法、分支定界等計(jì)算機(jī)算法（這些算法是算法設(shè)計(jì)

中比較常用的方法，很多場(chǎng)合可以用到競(jìng)賽中）

6、最優(yōu)化理論的三大非經(jīng)典算法：模擬退火法、神經(jīng)網(wǎng)絡(luò)、遺傳算法（這些問題是

用來解決一些較困難的最優(yōu)化問題的算法，對(duì)于有些問題非常有幫助，但是算法的實(shí)

現(xiàn)比較困難，需慎重使用）

7、網(wǎng)格算法和窮舉法（網(wǎng)格算法和窮舉法都是暴力搜索最優(yōu)點(diǎn)的算法，在很多競(jìng)賽

題中有應(yīng)用，當(dāng)重點(diǎn)討論模型本身而輕視算法的時(shí)候，可以使用這種暴力方案，最好

使用一些高級(jí)語言作為編程工具）

8、一些連續(xù)離散化方法（很多問題都是實(shí)際來的，數(shù)據(jù)可以是連續(xù)的，而計(jì)算機(jī)只

認(rèn)的是離散的數(shù)據(jù)，因此將其離散化后進(jìn)行差分代替微分、求和代替積分等思想是非

常重要的）

9、數(shù)值分析算法（如果在比賽中采用高級(jí)語言進(jìn)行編程的話，那一些數(shù)值分析中常

用的算法比如方程組求解、矩陣運(yùn)算、函數(shù)積分等算法就需要額外編寫庫函數(shù)進(jìn)行調(diào)

用）

10、圖象處理算法（賽題中有一類問題與圖形有關(guān)，即使與圖形無關(guān)，論文中也應(yīng)該

要不乏圖片的，這些圖形如何展示以及如何處理就是需要解決的問題，通常使用Matlab

四、什么是網(wǎng)格搜索法？如何用它來優(yōu)化學(xué)習(xí)算法

網(wǎng)格搜索法是指定參數(shù)值的一種窮舉搜索方法，通過將估計(jì)函數(shù)的參數(shù)通過交叉驗(yàn)證的方法進(jìn)行優(yōu)化來得到最優(yōu)的學(xué)習(xí)算法。

即，將各個(gè)參數(shù)可能的取值進(jìn)行排列組合，列出所有可能的組合結(jié)果生成“網(wǎng)格”。然后將各組合用于SVM訓(xùn)練，并使用交叉驗(yàn)證對(duì)表現(xiàn)進(jìn)行評(píng)估。在擬合函數(shù)嘗試了所有的參數(shù)組合后，返回一個(gè)合適的分類器，自動(dòng)調(diào)整至最佳參數(shù)組合，可以通過clf.best_params_獲得參數(shù)值

以上就是關(guān)于優(yōu)化算法分類相關(guān)問題的回答。希望能幫到你，如有更多相關(guān)問題，您也可以聯(lián)系我們的客服進(jìn)行咨詢，客服也會(huì)為您講解更多精彩的知識(shí)和內(nèi)容。