知识卡片
约束优化先界定可行搜索空间
有界约束优化写作:在 X ∈ Ω 的条件下求 min f(X)。其中 X=(x₁,…,x_D) 是 D 维决策向量,f 是目标函数;搜索空间 Ω=[L₁,U₁]×…×[L_D,U_D],即每一维都要满足 Lᵢ ≤ xᵢ ≤ Uᵢ,Lᵢ、Uᵢ 是第 i 维的下界和上界。
示例(补充):D=2、x₁∈[0,10]、x₂∈[−5,5] 时,(3,4) 可行;(12,0) 的目标值即使更小,也因 x₁ 越界而不是合格解。
先明确搜索域,才能区分“目标值更好”和“违反约束”,也能据此设计变量编码与边界处理。
这张卡片看不懂?
这张卡片的反馈已满 10 条,暂时无法继续提交。
已有反馈 · 0 / 10 条
还没有人提交反馈。
在整书笔记中的位置
原书出处 · 1 处
- 1 3 . 1 自 然 降 雨 现 象 启 发 下 的 雨 滴 算 法 · 查看原书依据
13.1 自然降雨现象启发下的雨滴算法 13.1 自然降雨现象启发下的雨滴算法 不失一般性的情况下,考虑如下的最小化边界约束问题: 其中,X是决策向量;f(X)是目标函数;D为决策变量的维数;Li和Ui分别是第i维决策变量的下界和上界;为搜索空间。
参考来源
- 位置:《智能算法导论》第 13 章《1 3 . 1 自 然 降 雨 现 象 启 发 下 的 雨 滴 算 法》(源文件:`_epub-src/EPUB/xhtml/chapter13_0001.xhtml`,式(13-1)及其后未编号的搜索空间定义 image_293.svg)
- 结论依据:公式把最小化目标限制在 Ω 中,并将 Ω 定义为各维变量上下界的笛卡尔积,说明约束域是模型的一部分。二维数值示例为依据原书定义补充的教学示例,非书中数据。
- 原始内容:其中,X是决策向量;f(X)是目标函数;D为决策变量的维数;Lᵢ和Uᵢ分别是第i维决策变量的下界和上界。