前言

爬山法（climbing method）是一种优化算法，它一般从一个随机某一点开始，然后逐步计算每一点的函数值直到找到一个最优解（局部最优），所以它是一种局部搜索算法，这意味着它适用于单峰优化问题或在应用全局优化算法后使用。

爬山法有以下3个缺点：
（1）局部最优：该算法的性质决定了其极容易陷入局部最优，且很难跳出；
（2）平顶：
平顶是状态空间中评估函数值基本不变的一个区域，在某一局部点周围F（x）为常量。一旦搜索到达了一个平顶，搜索就无法确定要搜索的最佳方向，会产生随机走动，这使得搜索效率降低。
（3）山脊：
山脊可能具有陡峭的斜面，所以搜索可以比较容易地到达山脊的顶部，但是山脊的顶部到山峰之间可能倾斜得很平缓，搜索的前进步伐会很小。

针对上述问题，如果要获得更好的解，传统做法是多次使用爬山算法（需要从不同的初始解开始爬山），从多个局部最优解中找出最优解，而这个最优解有可能是全局最优解。

文章对经典爬山算法做出了改进，使该算法不需产生多个随机初始解进行”爬山“，只需一次“爬山”就能找到最高的山峰。

提示：以下是本篇文章正文内容，下面案例可供参考

一、爬山算法

爬山算法是模拟爬山的过程，随机选择一个位置爬山，每次朝着更高的方向移动，直到到达山顶，即每次都在临近的空间中选择最优解作为当前解，直到局部最优解。这样算法会陷入局部最优解，能否得到全局最优解取决于初始点的位置。初始点若选择在全局最优解附近，则就可能得到全局最优解。
算法描述：
从当前的节点开始，和周围的邻居节点的值进行比较。如果当前节点是最大的，那么返回当前节点，作为最大值(既山峰最高点)；反之就用最高的邻居节点来，替换当前节点，从而实现向山峰的高处攀爬的目的。如此循环直到达到最高点。

算法实现：
后期更新>>>

二、算法改进-探测器

这里做个比喻，将经典爬山算法比作随机在山上的随机点放m只蚂蚁，蚂蚁根据当前位置（x*）与其相距L个单位长度范围内点对应的高度（x*）来选择前进与否，若以当前位置（x*）为圆心，L为半径上的各点对应的高度F(x*+L)均小于当前点（x*）的高度F（x*），则将该位置视为最优值（局部），蚂蚁不再移动。否则，蚂蚁继续向临近的更高点继续前进，直到它所处的位置再也没有比它更高的点。m只蚂蚁经过这样的爬山过程后，都会找到一个最高点（局部），即共找到m个最高点（局部），这m个位置中的最大值有可能是全局最优值（蚂蚁数越多，找到全局最优值的概率越大）。

文章对传统爬山算法做了改进，以使其能一次性找到全局最优值，同时该算法不会陷于平原（某点（x^)领域内高度f(x)为常数）。
算法描述:
首先对蚂蚁赋能：①蚂蚁有探测器功能（类似雷达）；②蚂蚁会飞。
步骤一：在经典爬山算法的基础上，蚂蚁爬向山顶（局部最优值）：
步骤二：探测远方有没有比当前位置更高的点，若有，飞到更高的位置，并进行步骤一。若无，此点为全局最优值。
同样对于平原问题，当蚂蚁位于平面时，探测周围有无更高的点，若有，前更高点爬去并进行步骤一和步骤二，直到爬到最高点。
算法示意图：

1.递归寻找局部最优值

爬山法代码如下（示例）：

def cycle(i,r,R2,T2):if(i>=5 or i<=-5):if(i>5):obj.append(i-r)ax2.scatter(i-r,fun(i-r))returnif(i<-5):obj.append(i+r)ax2.scatter(i+r,fun(i+r))return  #超出定义域退出循环y_i=fun(i)ax1.scatter(i,y_i)plt.pause(0.02)if(fun(i+r)<=y_i and fun(i-r)<=y_i):radiation(i,r,R2,T2)
##      ax1.scatter(i,fun(i))elif(fun(i+r)<y_i and fun(i-r)>=y_i):
##      r=abs(r+0.02)cycle(i-r,r,R2,T2)#从x轴负方向寻找最优值elif(fun(i+r)>=y_i and fun(i-r)<y_i):
##      r+=0.02#从x轴正向寻找最优值cycle(i+r,r,R2,T2)else: #如果当前点位于谷底，双向探测  cycle(i+r,r,R2,T2)cycle(i-r,r,R2,T2)#从x轴负方向寻找最优值return

2.探测器搜索全局最优值

代码如下（示例）：

def radiation(i,R1,R2,T2):# 望远函数，i目前的局部最优位置  R：辐射半径，T:发射次数y_i=fun(i)t_2=0r2=R2i_r=i+r2i_l=i-r2while True:if(i_r>5 or i_l<-5):obj.append(i)ax2.scatter(i,fun(i))breakif t_2==T2 :obj.append(i)ax2.scatter(i,fun(i))breaky_f=fun(i_r)y_b=fun(i_l)if(y_f>y_i and y_b>y_i):cycle(i_r,R1,R2,T2)cycle(i_l,R1,R2,T2)breakelif(y_f>y_i and y_b<y_i):cycle(i_r,R1,R2,T2)breakelif(y_f<y_i and y_b>y_i):cycle(i_l,R1,R2,T2)breakelse:t_2=t_2+1i_r=i_r+r2i_l=i_l-r2return

调用改进算法寻找最优值。

def rad_cyc(R_1,R_2,T_1,T_2,*objection):t_1=0while (t_1<T_1):point=round(np.random.uniform(-5,5),5)r=R_1cycle(point,r,R_2,T_2)t_1+=1print(obj)ax2.text(2,2,'number:%d'%len(obj))plt.show()
rad_cyc(0.05,0.1,5,30,obj)

运行结果：

左图为蚂蚁前进路径点，右图为最终位置。由于代码有未知BUG，有时结果会陷于局部最优处，本人水平有限，正在处理中>>>
全部代码：

import numpy as np
import matplotlib.pyplot as plt
x=np.arange(-5,5,0.01)
y=[]
obj=[]#用于存放局部最优值
y=np.cos(x)+0.5*x+np.sin(x**2)
def fun(x):##目标函数return np.cos(x)+0.5*x+np.sin(x**2)
f=plt.figure()
ax1=plt.subplot(1,2,1)
ax2=plt.subplot(1,2,2)
ax1.plot(x,y)
ax2.plot(x,y)def radiation(i,R1,R2,T2):# 望远函数，i目前的局部最优位置  R：辐射半径，T:发射次数y_i=fun(i)t_2=0r2=R2i_r=i+r2i_l=i-r2while True:if(i_r>5 or i_l<-5):obj.append(i)ax2.scatter(i,fun(i))breakif t_2==T2 :obj.append(i)ax2.scatter(i,fun(i))breaky_f=fun(i_r)y_b=fun(i_l)if(y_f>y_i and y_b>y_i):cycle(i_r,R1,R2,T2)cycle(i_l,R1,R2,T2)breakelif(y_f>y_i and y_b<y_i):cycle(i_r,R1,R2,T2)breakelif(y_f<y_i and y_b>y_i):cycle(i_l,R1,R2,T2)breakelse:t_2=t_2+1i_r=i_r+r2i_l=i_l-r2return
def cycle(i,r,R2,T2):if(i>=5 or i<=-5):if(i>5):obj.append(i-r)ax2.scatter(i-r,fun(i-r))returnif(i<-5):obj.append(i+r)ax2.scatter(i+r,fun(i+r))return  #超出定义域退出循环y_i=fun(i)ax1.scatter(i,y_i)plt.pause(0.02)if(fun(i+r)<=y_i and fun(i-r)<=y_i):radiation(i,r,R2,T2)
##      ax1.scatter(i,fun(i))elif(fun(i+r)<y_i and fun(i-r)>=y_i):
##      r=abs(r+0.02)#探测步长，逐次增大cycle(i-r,r,R2,T2)#从x轴负方向寻找最优值elif(fun(i+r)>=y_i and fun(i-r)<y_i):
##      r+=0.02#从x轴正向寻找最优值cycle(i+r,r,R2,T2)else: #如果探测器位于谷底，双向探测  cycle(i+r,r,R2,T2)cycle(i-r,r,R2,T2)#从x轴负方向寻找最优值return
def rad_cyc(R_1,R_2,T_1,T_2,*objection):t_1=0while (t_1<T_1):#设置迭代次数，即探测器数point=round(np.random.uniform(-5,5),5)r=R_1#探测半斤归原值cycle(point,r,R_2,T_2)t_1+=1print(obj)ax2.text(2,2,'number:%d'%len(obj))plt.show()
rad_cyc(0.05,0.1,5,30,obj)

针对有平原的情况，另外设置目标函数：

def fun(x):if(x>=-5 and x<-1):return -(x+2)**2+2elif(x>=-1 and x<=1):return 1else: return -2*(x-2)**2+3

运行结果：

代码有漏洞，正在处理中，解决完后会及时更新>>>

总结

该改进爬山算法能有效避免其陷于局部最优和平原，对于山脊迭代速度慢的问题，可以使用变步长来代替常量步长以提高迭代速度。

参考：

1.python爬山算法
2.Python实现随机爬山算法
3.爬山算法
4.随机优化算法—爬山法VS模拟退火法

爬山算法改进-探测器-python-全局最优解相关推荐

爬山算法改进粒子群求解测试测试函数shubert，测试函数的100种优化方法之14
爬山算法粒子群求解测试测试函数 shubert函数属于周期性多峰函数,如图1所示拥有多个全局最优值,如图二所示在一个周期内只有一个全局最优值,局部最优解较多,适合测试算法的收敛性能,粒子群算法是一种收 ...
K-means原理与算法改进及其python实现
K-means入门学习一.算法概述二.算法思想三.算法实现步骤四.算法图解五.算法优缺点六.k-means算法python实现 6.1 sklearn聚类 6.2 各省份消费数据聚类 6. ...
遗传算法与爬山算法简介_遗传算法简介
遗传算法与爬山算法简介 Genetic Algorithms (GAs) are a part of Evolutionary Computing (EC), which is a rapidly g ...
数学建模笔记——最优值之我见（爬山算法，模拟退火
目录爬山问题爬山算法的流程爬山算法优缺点先提物理退火关于模拟退火 1.1总论 1.2主要流程 1.2.1产生初始解 1.2.2扰动产生新解 1.2.3计算 1.2.4判断 1.2.4循环 2 ...
python爬山算法
这篇文章主要介绍了爬山算法,爬山法(climbing method)是一种优化算法,其一般从一个随机的解开始,然后逐步找到一个最优解(局部最优)然后用Python实现了这个算法,需要的朋友可以参考下 ...
python数圈算法_Python实现随机爬山算法
随机爬山是一种优化算法.它利用随机性作为搜索过程的一部分.这使得该算法适用于非线性目标函数,而其他局部搜索算法不能很好地运行.它也是一种局部搜索算法,这意味着它修改了单个解决方案并搜索搜索空间的相对局 ...
一文教会你Python 随机爬山算法
随机爬山是一种优化算法.它利用随机性作为搜索过程的一部分.这使得该算法适用于非线性目标函数,而其他局部搜索算法不能很好地运行.它也是一种局部搜索算法,这意味着它修改了单个解决方案并搜索搜索空间的相对局 ...
5分钟掌握 Python 随机爬山算法
随机爬山是一种优化算法.它利用随机性作为搜索过程的一部分.这使得该算法适用于非线性目标函数,而其他局部搜索算法不能很好地运行.它也是一种局部搜索算法,这意味着它修改了单个解决方案并搜索搜索空间的相对局 ...
Python使用爬山算法寻找序列“最大值”
爬山算法是人工智能算法的一种,特点在于局部择优,所以不一定能够得到全局最优解,尽管效率比较高.使用爬山算法寻找序列最大值的思路是:在能看得到的局部范围内寻找最大值,如果当前元素已经是最大值就结束,如果 ...

爬山算法改进-探测器-python-全局最优解

爬山算法改进

前言

一、爬山算法

二、算法改进-探测器

1.递归寻找局部最优值

2.探测器搜索全局最优值

总结

爬山算法改进-探测器-python-全局最优解相关推荐

最新文章

热门文章