Odn*_*nxe 6 algorithm genetic-algorithm ant-colony
所以我最近对算法非常着迷.我最近实施了一个蚁群优化算法来解决TSP(非常有趣).现在我一直在寻找其他"问题"来解决.现在我想实现一个算法来解决涉及满足百分比要求的问题,并且低于任意限制.
例如:
用户输入:
1)限制 - 可用的能量.
2)"染色体"类型 - 蓝色(亚型 - 靛蓝等),红色(亚型 - 栗色等),黄色(亚型 - 浅黄色等) - 像蓝色这样的主要属性有一个"池"可供选择由不同的亚型组成,如靛蓝,浅蓝,海蓝等. - 每种子类型的颜色都有不同的成本.
3)"理想"解决方案所需类型的百分比(可以引入+/-%以允许更多种类). - 10%红色,30%蓝色,60%黄色.
输出:
1)满足两个要求的可能的最终解决方案,低于 - 但接近 - 所需成本并满足超类型的百分比要求.
所以举个例子.
这是一个非常简单的例子,显然它在现实中比这更复杂.
用户指定的成本应如下95 <=成本<= 105.
用户选择25%蓝色,25%黄色,50%红色.偏差+/- 5%
每种颜色的可用池
蓝色: 靛蓝:成本= 25; 海蓝:成本= 30; 海军蓝:成本= 75;
黄色: 浅黄色:成本= 20; 深黄色:成本= 30; 超级深黄色(lol):成本= 75;
红色: 栗色:成本= 20; 血红色:成本= 45; 鲜红色:成本= 55;
因此算法将运行并返回不同的组合.
组合1:靛蓝,深黄色,血红色:成本= 100:蓝色= 25%,黄色= 30%,红色= 55%.
组合2:海蓝色,浅黄色,血红色:成本= 105:蓝色= ~30%,黄色= ~20%,红色= ~50%
组合3:等等.
编辑:第二次编辑
输出将包含多组不同的组合.
例如,一个解决方案可能包含以下组合:
一个解决方案将由此表示:
组合1:成本= 20; 50%蓝色,25%黄色,25%红色;
组合2:成本= 30; 10%蓝色,50%黄色,40%红色;
组合3:成本= 50; 25%蓝色,25%黄色,50%红色;
解决方案:=(组合1,组合2,组合3)总成本= 100,它由x%蓝色,y%黄色,z%红色组成;
将解决方案与需求进行比较,如果它关闭了,如果没有丢弃它.
结束编辑
所以我的问题是.我知道遗传算法会起作用.但ACO的实施也会起作用吗？例如,蓝色,黄色和红色等于"位置",那么它们的子类型将代表不同的"道路".
只是想知道什么可能是一个更有效的解决方案或完全可能是一些不同的算法.我对这些东西很陌生,一个星期前开始读它.
编辑:首先编辑
我想指出我想拥有5个不错的独特解决方案(5个是任意数字,可能是3个,可能是20个).