%标准粒群优化算法程序
%标准粒群优化算法程序
%测试函数：f(x,y)=100(x^2-y)^2+(1-x)^2, -2.048 global popsize; %种群规模 %global popnum; %种群数量 global pop; %种群 %global c0; %速度惯性系数,为0—1的随机数 global c1; %个体最优导向系数 global c2; %全局最优导向系数 global gbest_x; %全局最优解x轴坐标 global gbest_y; %全局最优解y轴坐标 global best_fitness; %最优解 global best_in_history; %最优解变化轨迹 global x_min; %x的下限 global x_max; %x的上限 global y_min; %y的下限 global y_max; %y的上限 global gen; %迭代次数 global exetime; %当前迭代次数 global max_velocity; %最大速度 initial; %初始化 for exetime=1:gen outputdata; %实时输出结果 adapting; %计算适应值 errorcompute(); %计算当前种群适值标准差 updatepop; %更新粒子位置 pause(0.01); end clear i; clear exetime; clear x_max; clear x_min; clear y_min; clear y_max; %程序初始化 gen=100; %设置进化代数 popsize=30; %设置种群规模大小 best_in_history(gen)=inf; %初始化全局历史最优解 best_in_history(=inf; %初始化全局历史最优解 max_velocity=0.3; %最大速度限制 best_fitness=inf; %popnum=1; %设置种群数量 pop(popsize,8)=0; %初始化种群,创建popsize行5列的0矩阵 %种群数组第1列为x轴坐标，第2列为y轴坐标，第3列为x轴速度分量，第4列为y轴速度分量%第5列为个体最优位置的x轴坐标，第6列为个体最优位置的y轴坐标 %第7列为个体最优适值，第8列为当前个体适应值 for i=1:popsize pop(i,1)=4*rand()-2; %初始化种群中的粒子位置，值为-2—2，步长为其速度 pop(i,2)=4*rand()-2; %初始化种群中的粒子位置，值为-2—2，步长为其速度 pop(i,5)=pop(i,1); %初始状态下个体最优值等于初始位置 pop(i,6)=pop(i,2); %初始状态下个体最优值等于初始位置 pop(i,3)=rand()*0.02-0.01; %初始化种群微粒速度，值为-0.01—0.01，间隔为0.0001 pop(i,4)=rand()*0.02-0.01; %初始化种群微粒速度，值为-0.01—0.01，间隔为0.0001 pop(i,7)=inf; pop(i,8)=inf; end c1=2; c2=2; x_min=-2; y_min=-2; x_max=2; y_max=2; gbest_x=pop(1,1); %全局最优初始值为种群第一个粒子的位置 gbest_y=pop(1,2); %适值计算 % 测试函数为f(x,y)=100(x^2-y)^2+(1-x)^2, -2.048 %计算适应值并赋值 for i=1:popsize pop(i,8)=100*(pop(i,1)^2-pop(i,2))^2+(1-pop(i,1))^2; if pop(i,7)>pop(i,8) %若当前适应值优于个体最优值，则进行个体最优信息的更新 pop(i,7)=pop(i,8); %适值更新 pop(i,5:6)=pop(i,1:2); %位置坐标更新 end end %计算完适应值后寻找当前全局最优位置并记录其坐标 if best_fitness>min(pop(:,7)) best_fitness=min(pop(:,7)); %全局最优值 gbest_x=pop(find(pop(:,7)==min(pop(:,7))),1); %全局最优粒子的位置 gbest_y=pop(find(pop(:,7)==min(pop(:,7))),2); end best_in_history(exetime)=best_fitness; %记录当前全局最优 %实时输出结果 %输出当前种群中粒子位置 subplot(1,2,1); for i=1:popsize plot(pop(i,1),pop(i,2),'b*'); hold on; end plot(gbest_x,gbest_y,'r.','markersize',20);axis([-2,2,-2,2]); hold off; subplot(1,2,2); axis([0,gen,-0.00005,0.00005]); if exetime-1>0 line([exetime-1,exetime],[best_in_history(exetime-1),best_fitness]);hold on; end %粒子群速度与位置更新 %更新粒子速度 for i=1:popsize pop(i,3)=rand()*pop(i,3)+c1*rand()*(pop(i,5)-pop(i,1))+c2*rand()*(gbest_x-pop(i,1)); %更新速度pop(i,4)=rand()*pop(i,4)+c1*rand()*(pop(i,6)-pop(i,2))+c2*rand()*(gbest_x-pop(i,2)); if abs(pop(i,3))>max_velocity if pop(i,3)>0 pop(i,3)=max_velocity; else pop(i,3)=-max_velocity; end end if abs(pop(i,4))>max_velocity if pop(i,4)>0 pop(i,4)=max_velocity; else pop(i,4)=-max_velocity; end end end %更新粒子位置 for i=1:popsize pop(i,1)=pop(i,1)+pop(i,3); pop(i,2)=pop(i,2)+pop(i,4); end % A SIMPLE IMPLEMENTATION OF THE % Particle Swarm Optimization IN MATLAB function [xmin, fxmin, iter] = PSO() % Initializing variables success = 0; % Success flag PopSize = 30; % Size of the swarm MaxIt = 100; % Maximum number of iterations iter = 0; % Iterations’counter fevals = 0; % Function evaluations’ counter c1 = 2; % PSO parameter C1 c2 = 2; % PSO parameter C2 w = 0.6; % inertia weight % Objective Function f = ^DeJong^; dim = 10; % Dimension of the problem upbnd = 10; % Upper bound for init. of the swarm lwbnd = -5; % Lower bound for init. of the swarm GM = 0; % Global minimum (used in the stopping criterion) ErrGoal = 0.0001; % Desired accuracy % Initializing swarm and velocities popul = rand(dim, PopSize)*(upbnd-lwbnd) + lwbnd; vel = rand(dim, PopSize); for i = 1:PopSize, fpopul(i) = feval(f, popul(:,i)); fevals = fevals + 1; end bestpos = popul; fbestpos = fpopul; % Finding best particle in initial population [fbestpart,g] = min(fpopul); lastbpf = fbestpart; while (success == 0) & (iter < MaxIt), iter = iter + 1; % VELOCITY UPDATE for i=1:PopSize, A(:,i) = bestpos(:,g); end R1 = rand(dim, PopSize); R2 = rand(dim, PopSize); vel = w*vel + c1*R1.*(bestpos-popul) + c2*R2.*(A-popul); % SW ARMUPDA TE popul = popul + vel; % Evaluate the new swarm for i = 1:PopSize, fpopul(i) = feval(f,popul(:, i)); fevals = fevals + 1; end % Updating the best position for each particle changeColumns = fpopul < fbestpos; fbestpos = fbestpos.*( 1-changeColumns) + fpopul.*changeColumns; bestpos(:, find(changeColumns)) = popul(:, find(changeColumns)); % Updating index g [fbestpart, g] = min(fbestpos); currentTime = etime(clock,startTime); % Checking stopping criterion if abs(fbestpart-GM) <= ErrGoal success = 1; else lastbpf = fbestpart; end end % Output arguments xmin = popul(:,g); fxmin = fbestpos(g); fprintf(^ The best vector is : \n^); fprintf(^--- %g ^,xmin); fprintf(^\n^); %========================================== function DeJong=DeJong(x) DeJong = sum(x.^2); 安康学院 学年论文（设计） 题目_____________________________________________ 学生姓名_______________ 学号_____________________________ 所在院（系）_______________________________________ 专业班级__________________________________________________ 指导教师_____________________________________________ 年月曰 基于粒子群优化算法的图像分割 （作者：） （） 指导教师： 【摘要】本文通过对粒子群优化算法的研究，采用Java编程，设计出一套用于图像分割的系统。 基于粒子群优化算法的图像分割系统，可以将一幅给定的图像进行分割，然后将分割结果保存。图像分割的目的是将感兴趣的区域从图像中分割出来，从而为计算机视觉的后续处理提供依据。图像分割的方法有多种，阈值法因其实现简单而成为一种有效的图像分割方法。而粒子群优化（PSO）算法是一类随机全局优化技术，它通过粒子间的相互作用发现复杂搜索空间中的最优区域缩短寻找阈值的时间。因此，基于粒子群优化算法的图像分割以粒子群优化算法为寻优工具，建立具有自适应和鲁棒性的分割方法。从而可以在最短的时间内，准确地确定分割阈值。 关键词：粒子群优化（PSO，图像分割，阈值法，鲁棒性 Abstract T his paper based on the particle swarm optimizati on algorithm, desig ns a set of system for image segme ntati on using Java program min g. Image segme ntati on system based on particle swarm optimizati on algorithm, the image can be a given segmentation, and then the segmentation results would be saved. Image segmentation is the purpose of the interested area from the image, thus providing the basis for the subsequent processing of computer vision. There are many methods of image segmentation, threshold method since its simple realization, becomes a kind of effective method in image segmentation. Particle swarm optimization （PSO） algorithm is a stochastic global optimization technique; it finds optimal regions of complex search spaces for threshold time shorte ned through the in teractio n betwee n particles. Therefore, particle swarm optimization algorithm of image segmentation based on particle swarm optimization algorithm based on optimizati on tools; establish segme ntati on method with adaptive and robust. Therefore, it is possible for us in the shortest possible time to accurately determ ine the segme ntati on threshold. Key word s: PSO, image segmentation, threshold method, robust. 1引言 1.1研究的背景和意义 技术的不断向前发展，人们越来越多地利用计算机来获取和处理视觉图像信息。据统计，人类 基于优化问题的多目标布谷鸟搜索算法 基于优化问题的多目标布谷鸟搜索算法 关键字：布谷鸟搜索、元启发式算法、多目标、最优化 摘要：在工程设计方面，很多问题都是典型的多目标问题，而且，都是复杂的非线性问题。现在我们研究的优化算法就是为了解决多目标化的问题，使得与单一目标问题的解决有明显的区别，计算结果和函数值有可能会增加多目标问题的特性。此时，元启发式算法开始显示出自己在解决多目标优化问题中的优越性。在本篇文章中，我们构造了一个新的用于解决多目标优化问题的算法——布谷鸟搜索算法。我们通过一系列的多目标检验函数对其的有效性已经做出来检验，发现它可以应用于解决结构设计等问题中去，例如：光路设计、制动器设计等。另外，我么还对该算法的主要特性和应用做了相关的分析。 1.简介 在设计问题中经常会考虑到很多多重的复杂问题，而且这些问题往往都具有很高的非线性性。在实际中，不同的目标之间往往会有分歧和冲突，有时候，实际的最优化解决方案往往不存在，而一些折中的和近似的方案往往也可以使用。除了这些挑战性和复杂性以外，设计问题还会受到不同设计目标的约束，而且还会被设计代码、设计标准、材料适应性、和可用资源的选择，以及 设计花费等所限制，甚至是关于单一目标的全局最优问题也是如此，如果设计函数有着高度的非线性性，那么全局最优解是很难达到的，而且，很多现实世界中的问题经常是NP-hard的，这就意味着没有一个行之有效的算法可以解决我们提出的问题，因此，对于一个已经提出的问题，启发式算法和科学技术与具体的学科交叉知识经常被用于其中，用来作为解决问题的向导。 另一方面，元启发算法在解决此类优化问题方面是非常有效的，而且已经在很多刊物和书籍中得以运用，与单一目标的优化问题相反的是，多目标优化问题具有典型的复杂性和困难性，在单一目标的优化问题中我们必须去找出一个最优化的解决方法，此方法在问题的解决中存在着一个单一的点，并且在此问题中不包括那些多重的、平均优化的点，对于一个多目标的优化问题，存在着名为Pareto-front的多重的复杂的优化问题，为了了解我们所不熟悉的Pareto-front问题，我们需要收集并整理很多不同的方法，从而，此计算结果将会随着近似解的变化、问题的复杂度和解决方法的多样性而有所变化甚至增加。在理论上，此类解决方法应包括问题并且应相对的有一致无分歧的分布情况，然而，还没有科学的方法可以证明这种解决方法可以在实际中得以应用。 从问题的出发点我们可以得知，算法可以在单一目标优化问题中运行的很好，但是却不能在多目标的优化问题中直接的运用，除非是在特殊的环境与条件下才可以应用。例如，使用一些 对于函数f=x*sin(x)*cos(2*x)-2*x*sin(3*x)，求其在区间[0,20]上该函数的最大值。 ?初始化种群 已知位置限制[0,20],由于一维问题较为简单，因此可以取初始种群N 为50，迭代次数为100,当然空间维数d 也就是1。 位置和速度的初始化即在位置和速度限制内随机生成一个N×d 的矩阵，对于此题，位置初始化也就是在0~20内随机生成一个50×1的数据矩阵，而对于速度则不用考虑约束，一般直接在0~1内随机生成一个50×1的数据矩阵。 此处的位置约束也可以理解为位置限制，而速度限制是保证粒子步长不超限制的，一般设置速度限制为[-1,1]。 粒子群的另一个特点就是记录每个个体的历史最优和种群的历史最优，因此而二者对应的最优位置和最优值也需要初始化。其中每个个体的历史最优位置可以先初始化为当前位置,而种群的历史最优位置则可初始化为原点。对于最优值，如果求最大值则初始化为负无穷，相反地初始化为正无穷。 每次搜寻都需要将当前的适应度和最优解同历史的记录值进行对比，如果超过历史最优值，则更新个体和种群的历史最优位置和最优解。 ?速度与位置的更新 速度和位置更新是粒子群算法的核心，其原理表达式和更新方式如下: 每次更新完速度和位置都需要考虑速度和位置的限制，需要将其限制在规定范围内，此处仅举出一个常规方法，即将超约束的数据约束到边界（当位置或者速度超出初始化限制时，将其拉回靠近的边界处）。当然，你不用担心他会停住不动，因为每个粒子还有惯性和其他两个参数的影响。 代码如下： clc;clear;close all; %% 初始化种群 f= @(x)x .* sin(x) .* cos(2 * x) - 2 * x .* sin(3 * x); % 函数表达式figure(1);ezplot(f,[0,0.01,20]); N = 50; % 初始种群个数 d = 1; % 空间维数 ger = 100; % 最大迭代次数 limit = [0, 20]; % 设置位置参数限制 vlimit = [-1, 1]; % 设置速度限制 w = 0.8; % 惯性权重 c1 = 0.5; % 自我学习因子 c2 = 0.5; % 群体学习因子 for i = 1:d C代码优化方案 1、选择合适的算法和数据结构 选择一种合适的数据结构很重要，如果在一堆随机存放的数中使用了大量的插入和删除指令，那使用链表要快得多。数组与指针语句具有十分密切的关系，一般来说，指针比较灵活简洁，而数组则比较直观，容易理解。对于大部分的编译器，使用指针比使用数组生成的代码更短，执行效率更高。 在许多种情况下，可以用指针运算代替数组索引，这样做常常能产生又快又短的代码。与数组索引相比，指针一般能使代码速度更快，占用空间更少。使用多维数组时差异更明显。下面的代码作用是相同的，但是效率不一样? 数组索引指针运算 For(;;){ p=array A=array[t++]; for(;;){ a=*(p++); 。。。。。。。。。。。。。。。 } } 指针方法的优点是，array的地址每次装入地址p后，在每次循环中只需对p增量操作。在数组索引方法中，每次循环中都必须根据t值求数组下标的复杂运算。 2、使用尽量小的数据类型 能够使用字符型(char)定义的变量，就不要使用整型(int)变量来定义；能够使用整型变量定义的变量就不要用长整型(long int)，能不使用浮点型(float)变量就不要使用浮点型变量。当然，在定义变量后不要超过变量的作用范围，如果超过变量的范围赋值，C编译器并不报错，但程序运行结果却错了，而且这样的错误很难发现。 在ICCAVR中，可以在Options中设定使用printf参数，尽量使用基本型参数(%c、%d、%x、%X、%u和%s格式说明符)，少用长整型参数(%ld、%lu、%lx和%lX格式说明符)，至于浮点型的参数(%f)则尽量不要使用，其它C编译器也一样。在其它条件不变的情况下，使用%f参数，会使生成的代码的数量增加很多，执行速度降低。 3、减少运算的强度 （1）、查表(游戏程序员必修课) 一个聪明的游戏大虾，基本上不会在自己的主循环里搞什么运算工作，绝对是先计算好了，再到循环里查表。看下面的例子： 旧代码： long factorial(int i) { if (i == 0) return 1; else return i * factorial(i - 1); Java程序性能优化方案 StringTokenizer比String.split()方法效率高 更优化的方式 Java代码 while(true){ String splitStr=null; int j=temp.indexOf(';'); if(j<0)break; SplitStr=tmp.substring(0,j); tmp=tmp.substring(j+1); } while(true){ String splitStr=null; int j=temp.indexOf(';'); if(j<0)break; SplitStr=tmp.substring(0,j); tmp=tmp.substring(j+1); } 比String.startsWith和endsWith性能更优的方式：Java代码 int len=orgStr.length(); if(orgStr.charAt(0)=='a' &&orgStr.charAt(1)=='b' &&orgStr.charAt(2)=='b'); if(orgStr.charAt(len-1)=='a' &&orgStr.charAt(len-2)=='b' &&orgStr.charAt(len-3)=='c'); int len=orgStr.length(); if(orgStr.charAt(0)=='a' &&orgStr.charAt(1)=='b' &&orgStr.charAt(2)=='b'); if(orgStr.charAt(len-1)=='a' &&orgStr.charAt(len-2)=='b' &&orgStr.charAt(len-3)=='c'); StringBuffer(int capacity)指定初始容量可以减少扩容的操作 基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用 张丽平 俞欢军3 陈德钊 胡上序 (浙江大学化工系,杭州310027) 摘 要 神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP 或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。关键词 粒子群优化算法,神经网络,定量构效关系 2004201204收稿;2004207225接受 本文系国家自然科学基金资助项目(N o.20276063) 1 引 言 药物定量构效关系(QS AR )是研究药物生理活性和药物分子结构参数间的量变规律并建立相应的 数学模型,进而研究药物的作用机理,从而用于预测未知化合物的生物活性,探讨药物的作用机理,指导新药的设计和合成,在药物和农药的研究与设计中已经显示出广阔的应用前景1。以往QS AR 的建模方法大多基于统计原理,局限于线性模型,只进行简单的非线性处理,由此所建立的模型很难契合实际构效关系,并且其处理过程都比较繁琐2。神经网络通过学习将构效关系知识隐式分布在网络之中,适用于高度非线性体系。 在药物QS AR 中采用神经网络(NN )始于20世纪80年代末3,此后得到迅速的发展,目前已发展为除多重线性回归和多元数据分析之外的第3种方法4。通常多层前传网络采用BP 算法,通过误差反传,按梯度下降的方向调整权值。其缺点是可能陷入局部极小点,且对高维输入收敛速度非常缓慢。 粒子群优化算法(particle swarm optimization ,PS O )是K ennedy 等5源于对鸟群、鱼群和人类社会行为的研究而发展的一种新的进化型寻优技术。PS O 已成为进化寻优算法研究的热点,其最主要特点是简单、收敛速度快,且所需领域知识少。本实验拟将该方法初始化前传神经网络为苯乙酰胺类农药建立良好适用的QS AR 模型。 2 苯乙酰胺类农药的Q SAR 问题 苯乙酰胺类化合物是除草农药,其除草活性与其分子结构密切相关。所有的N 2(12甲基212苯乙基)苯乙酰胺都可用相应的羧酸酰胺通过霍夫曼反应生成。N 2(12甲基212苯乙基)苯乙酰胺的基本结构式为 : 其中X 为Me 、F 、Cl 、OMe 、CF 3和Br 等,Y 为Me 、Cl 、F 和Br 等,由不同的X 和Y 取代基可构成不同的化合物。常用以下7个理化参数描述化合物的分子组成和结构:log P 、log 2P (疏水性参数及其平方项)、 σ(电性效应参数)、E s (T aft 立体参数)、MR (摩尔折射度),1χ、2 χ(分子连接性指数)。于是这类化合物的QS AR 就转化为上述理化参数与除草活性间的关系。为研究这种关系,选用具有代表性的50个化合物, 他们的活性值取自文献1,见表1。 第32卷2004年12月分析化学(FE NXI H UAX UE ) 研究报告Chinese Journal of Analytical Chemistry 第12期1590～1594 流程优化的方法。 流程优化是企业管理的战略选择，是与流程重组相对应的。因为流程重组强调剧烈的变革和急速的重塑，除了那些准备充分的企业或是濒临绝境的企业作此选择之外，多数企业都寻求渐进的改善，即流程优化。因此流程优化是基于企业实际的改善，但绝不囿于现实。为此，我们必须首先确定流程优化原则，然后再来探讨流程优化的方法。 一、流程优化的原则 1、源于现实、高于现实原则； 2、借鉴行业标杆原则； 3、鼓励创新原则； 4、全员参与原则； 5、始终贯彻流程管理的基本原则（参阅张国祥老师《流程管理的基本原则》）。 二、流程优化的注意事项 1、打破传统，不等于摒弃一切。优良传统必须继承。 2、了解学习本行业的最新做法。行业经验可以借鉴，但不能照搬。 3、分析本企业经过努力能达到的标准，按照现实可行、发展有力来设置新的流程工 作标准。 4、按照顾客至上、价值增值原则重新设计各个运行流程。 三、具体做法如下 1、找出现有活动的阻塞环节； 2、砍掉无价值活动； 3、合并分散活动； 4、找出本企业员工最好的做法； 5、吸纳本行业最优做法； 6、吸收员工的创新建议。 现在管理学界提出了一个“氨基酸组合效应”，即组成人体蛋白的八种氨基酸，只要有一种含量不足，其他七种就无法合成蛋白质。当缺一不可时，一就是一切。因此企业在进行流程优化时，我们建议认真借鉴“氨基酸组合效应”。 流程优化的最高境界就是“缺一不可”。凡是可有可无的环节、活动都应该砍掉。 四、流程优化步骤 流程优化是牵涉全局的管理工作，必须全员重视、全员参与。绝不可少数人闭门造车。为确保流程优化切实可行，张老师建议企业按以下步骤进行： 第一步设计师负责，按前面说的具体做法，完成初步设计； 第二步征求流程涉及的各岗位员工意见，使之具有可操作性； 第三步设计小组优化讨论，使各流程之间相互衔接； 第四步企业高层补充完善，确保不留运行空白； 第五步企业负责人审批，便之具有本企业的“法规”效力； 第六步广泛开展宣传教育，使新的流程管理思想、方法深入人心； 第七步全面试行，用实践经验流程优化的效果； 第八步总结完善，持续改进。 流程优化最根本的目的是整体效率最优。流程优化要达到“米格—25效应”，而不是古人的“三个和尚挑水吃效应”。 米格—25效应是指：前苏联研制的米格—25喷气式战斗机的许多零部件与美国的相比都落后，但因设计者考虑了整体性能，故能在升降、速度、应急反应等方面成为当时世界一流。所谓最佳整体，乃是个体的最佳组合，1+1 〉2。 我最后要强调指出的是：流程优化是一个持续改善的过程，不可能一蹴而就、一劳永逸。 预祝贵公司在流程优化和流程管理上取得“米格—25效应”。 张国祥 2009.11.25 C语言程序运行速度优化方法谈 1、选择合适的算法和数据结构 选择一种合适的数据结构很重要，如果在一堆随机存放的数中使用了大量的插入和删除指令，那使用链表要快得多。数组与指针语句具有十分密切的关系，一般来说，指针比较灵活简洁，而数组则比较直观，容易理解。对于大部分的编译器，使用指针比使用数组生成的代码更短，执行效率更高。 在许多种情况下，可以用指针运算代替数组索引，这样做常常能产生又快又短的代码。与数组索引相比，指针一般能使代码速度更快，占用空间更少。使用多维数组时差异更明显。下面的代码作用是相同的，但是效率不一样。 数组索引指针运算 For(;;){ p=array A=array[t++]; for(;;){ a=*(p++); 。。。。。。。。。。。。。。。 } } 指针方法的优点是，array的地址每次装入地址p后，在每次循环中只需对p增量操作。在数组索引方法中，每次循环中都必须根据t值求数组下标的复杂运算。 2、使用尽量小的数据类型 能够使用字符型(char)定义的变量，就不要使用整型(int)变量来定义；能够使用整型变量定义的变量就不要用长整型(long int)，能不使用浮点型(float)变量就不要使用浮点型变量。当然，在定义变量后不要超过变量的作用范围，如果超过变量的范围赋值，C编译器并不报错，但程序运行结果却错了，而且这样的错误很难发现。 在ICCAVR中，可以在Options中设定使用printf参数，尽量使用基本型参数 (%c、%d、%x、%X、%u和%s格式说明符)，少用长整型参数(%ld、%lu、%lx和%lX格式说明符)，至于浮点型的参数(%f)则尽量不要使用，其它C编译器也一样。在其它条件不变的情况下，使用%f参数，会使生成的代码的数量增加很多，执行速度降低。 3、减少运算的强度 （1）、查表(游戏程序员必修课) 一个聪明的游戏大虾，基本上不会在自己的主循环里搞什么运算工作，绝对是先计算好了，再到循环里查表。看下面的例子： 旧代码： long factorial(int i) { if (i == 0) return 1; 龙源期刊网 https://www.wendangku.net/doc/c64045393.html, 多目标优化进化算法比较综述 作者：刘玲源 来源：《决策与信息·下旬刊》2013年第07期 摘要多目标优化是最优化领域的一个重要研究方向，本文简要介绍了多目标优化的模型和几种多目标优化的进化算法，并对算法进行了简要比较。 关键词多目标优化粒子群遗传算法蚁群算法人工免疫系统 中图分类号：TP391 文献标识码：A 一、背景 多目标优化（Multiobjective OptimizaTionProblem，MOP）是最优化的一个重要分支，多目标问题中的各目标往往是有着冲突性的，其解不唯一，如何获得最优解成为多目标优化的一个难点，目前还没有绝对成熟与实用性好的理论。近年来，粒子群算法、遗传算法、蚁群算法、人工免疫系统、等现代技术也被应用到多目标优化中，使多目标优化方法取得很大进步。本文将其中四种多目标优化的进化算法进行一个简单的介绍和比较。 二、不同算法介绍 （一）多目标遗传算法。 假定各目标的期望目标值与优先顺序已给定，从优先级最高的子目标向量开始比较两目标向量的优劣性，从目标未满足的子目标元素部分开始每一级子目标向量的优劣性比较，最后一级子目标向量中的各目标分量要全部参与比较。给定一个不可实现的期望目标向量时，向量比较退化至原始的Pareto排序，所有目标元素都必须参与比较。算法运行过程中，适应值图景可由不断改变的期望目标值改变，种群可由此被引导并集中至某一特定折中区域。当前种群中（基于Pareto最优概念）优于该解的其他解的个数决定种群中每一个向量解的排序。 （二）人工免疫系统。 人工免疫算法是自然免疫系统在进化计算中的一个应用，将抗体定义为解，抗原定义为优化问题，抗原个数即为优化子目标的个数。免疫算法具有保持个体多样性、搜索效率高、群体优化、避免过早收敛等优点。其通用的框架是：将优化问题的可行解对应抗体，优化问题的目标函数对应抗原，Pareto最优解被保存在记忆细胞集中，并采取某种机制对记忆集进行不断更新，进而获得分布均匀的Pareto最优解。 （三）多目标PSO约束算法。 第九章多目标优化算法习题与答案 1. 填空题 （1）多目标优化问题由于存在目标，使得同时优化的对象增多。由于目标之间往往相互冲突，某一目标性能的提高会引起其他目标性能的，因此只能通过的方法使所有目标尽可能达到最优。 （2）多目标优化问题需要求解一个由不同程度折中的组成的解集，并且需要保证解集的和，这就导致多目标优化问题的求解难度远远大于单目标优化问题。 解释： 本题考查多目标优化算法的基础知识。 具体内容请参考课堂视频“第9章多目标优化算法”及其课件。 答案： （1）多个，降低，权衡折中 （2）最优解，收敛性，均匀性 2.如何理解多目标优化问题？ 解释： 本题考查多目标优化问题的形式和实质。 内容请参考课堂视频“第9章多目标优化算法”及其课件。 答案： 多目标优化问题由于存在多个目标，优化对象增多，且目标之间往往是相互冲突的，某一目标性能的提高会引起其他目标性能的降低，因此只能通过权衡折中的方法使所有目标尽可能达到最优。不同于单目标优化只需求得一个最优解，多目标优化需要求解一个由不同程度折中的最优解组成的解集，且需同时保证解集的收敛性和均匀性。例如，购买汽车时考虑到汽车性能和价格两个方面，往往 当性能较好时性能优良且价格昂贵，而性能较差时价格低廉，人们总是想得到价格便宜同时性能又好的汽车，但这两方面往往不能同时兼优，只能在某一方面有所偏重，这就形成了一个以汽车性能（比如百米加速时间）和价格为两个冲突目标的多目标优化问题。 3. 试举例说明Pareto 支配关系具有传递性。 解释： 本题考查Pareto 支配关系的性质。 内容请参考课堂视频“第9章多目标优化算法”及其课件。 答案： 假设两目标最小优化的三个个体，123=(2,2)=(3,3)=(4,4)C C C ，，，则1 2C C ， 2 3C C ，又因为1 3C C ，所以Pareto 支配关系具有传递性。 4. 考虑一个具有两个目标最小化问题，20个个体的进化群体，进行Pareto 非支配排序分层。20个个体定义如下：C 1=(9,1)，C 2=(7,2)，C 3= (5,4)，C 4=(4,5)，C 5=(3,6)，C 6=(2,7)，C 7=(1,9)，C 8=(10,1)，C 9=(8,5)，C 10=(7,6)，C 11=(5,7)，C 12=(4,8)，C 13=(3,9)，C 14=(10,5)，C 15=(9,6)，C 16=(8,7)，C 17=(7,9)，C 18=(10,6)，C 19=(9,7)，C 20=(8,9) 解释： 本题考查基于Pareto 支配的排序方法。 内容请参考课堂视频“第9章多目标优化算法”及其课件。 答案： 由于{}18C C ；{}2349,,C C C C ；{}234510,,,C C C C C ；{}345611,,,C C C C C ； {} 45612 ,,C C C C ； {} 56713 ,,C C C C ； {} 12348914 ,,,,,C C C C C C C ；{} 1234591015 ,,,,,,C C C C C C C C ； {} 234569101116 ,,,,,,,C C C C C C C C C ； DSP程序优化方法(1) 1、选择合适的算法和数据结构 选择一种合适的数据结构很重要，如果在一堆随机存放的数中使用了大量的插入和删除指令，那使用链表要快得多。数组与指针语句具有十分密切的关系，一般来说，指针比较灵活简洁，而数组则比较直观，容易理解。对于大部分的编译器，使用指针比使用数组生成的代码更短，执行效率更高。 在许多种情况下，可以用指针运算代替数组索引，这样做常常能产生又快又短的代码。与数组索引相比，指针一般能使代码速度更快，占用空间更少。使用多维数组时差异更明显。下面的代码作用是相同的，但是效率不一样。 数组索引指针运算 For(;;){ p=array A=array[t++]; for(;;){ a=*(p++); 。。。。。。。。。。。。。。。 } } 指针方法的优点是，array 的地址每次装入地址p 后，在每次循环中只需对p 增量操作。在数组索引方法中，每次循环中都必须根据t 值求数组下标的复杂运算。 2、使用尽量小的数据类型 能够使用字符型(char) 定义的变量，就不要使用整型(int) 变量来定义；能够使用整型变量定义的变量就不要用长整型(long int) ，能不使用浮点型(float) 变量就不要使用浮点型变量。当然，在定义变量后不要超过变量的作用范围，如果超过变量的范围赋值，C 编译器并不报错，但程序运行结果却错了，而且这样的错误很难发现。 在ICCA VR 中，可以在Options 中设定使用printf 参数，尽量使用基本型参数(%c 、%d 、%x 、%X 、%u 和%s 格式说明符) ，少用长整型参数(%ld 、%lu 、%lx 和%lX 格式说明符) ，至于浮点型的参数(%f) 则尽量不要使用，其它C 编译器也一样。在其它条件不变的情况下，使用%f 参数，会使生成的代码的数量增加很多，执行速度降低。 3、减少运算的强度 （1）、查表(游戏程序员必修课) 一个聪明的游戏大虾，基本上不会在自己的主循环里搞什么运算工作，绝对是先计算好了，再到循环里查表。看下面的例子： 旧代码： long factorial(int i) { if (i == 0) return 1; else return i * factorial(i - 1); } 新代码： static long factorial_table[] = {1 ，1 ，2 ，6 ，24 ，120 ，720 /* etc */ }; long factorial(int i) { 程序优化 由于单片机的性能同电脑的性能是天渊之别的，无论从空间资源上、内存资源、工作频率，都是无法 与之比较的。PC 机编程基本上不用考虑空间的占用、内存的占用的问题，最终目的就是实现功能就可以了。对于单片机来说就截然不同了，一般的单片机的Flash 和Ram 的资源是以KB 来衡量的，可想而知，单片机的资源是少得可怜，为此我们必须想法设法榨尽其所有资源，将它的性能发挥到最佳，程序设计时必须遵循以下几点进行优化： 1. 使用尽量小的数据类型 能够使用字符型(char)定义的变量，就不要使用整型(int)变量来定义；能够使用整型变量定义的变 量就不要用长整型(long int)，能不使用浮点型(float)变量就不要使用浮点型变量。当然，在定义变 量后不要超过变量的作用范围，如果超过变量的范围赋值，C 编译器并不报错，但程序运行结果却错了，而且这样的错误很难发现。 2. 使用自加、自减指令 通常使用自加、自减指令和复合赋值表达式(如a-=1 及a+=1 等)都能够生成高质量的 程序代码，编译器通常都能够生成inc 和dec 之类的指令，而使用a=a+1 或a=a-1 之类 的指令，有很多C 编译器都会生成二到三个字节的指令。 3. 减少运算的强度 可以使用运算量小但功能相同的表达式替换原来复杂的的表达式。 （1）求余运算 N= N %8 可以改为N = N &7 说明：位操作只需一个指令周期即可完成，而大部分的C 编译器的“%”运算均是调用子程序来 完成，代码长、执行速度慢。通常，只要求是求2n 方的余数，均可使用位操作的方法来代替。 （2）平方运算 N=Pow(3,2) 可以改为N=3*3 说明：在有内置硬件乘法器的单片机中(如51 系列)，乘法运算比求平方运算快得多, 因为浮点数 的求平方是通过调用子程序来实现的，乘法运算的子程序比平方运算的子程序代码短，执行速度快。（3）用位移代替乘法除法 N=M*8 可以改为N=M<<3 N=M/8 可以改为N=M>>3 说明：通常如果需要乘以或除以2n，都可以用移位的方法代替。如果乘以2n，都可以生成左移 的代码，而乘以其它的整数或除以任何数，均调用乘除法子程序。用移位的方法得到代码比调用乘除法子程序生成的代码效率高。实际上，只要是乘以或除以一个整数，均可以用移位的方法得到结果。如N=M*9 可以改为N=(M<<3)+M； （4）自加自减的区别 例如我们平时使用的延时函数都是通过采用自加的方式来实现。 void DelayNms(UINT16 t) { UINT16 i,j; for(i=0;i 流程优化设计解决方案 一、流程优化设计的指导思想： 流程优化的核心内涵是流程价值分析，以企业价值流程分析为导向，建立面向客户关系的价值管理体系，能够避免企业过去“纵向价值链”管理模式不能适应当今激烈竞争市场的诸多弊端：没法快速响应客户的需求，过多的资金投入，过长的建设和发展周期，低效率的管理机制，针对这些现象，我们提出优化流程把握以下方面： 1、以流程价值分析为工具： 通过对企业流程的价值分析，清楚地界定企业的主业务流程和支持业务流程，有利于组织结构优化和组织资源的整合，有利于识别顾客的现实需求，有利于竖立为顾客服务的思想；从而建立起以顾客为中心的业务流程。 2、以组织结构优化为基础： 组织是实现企业特定目标的有机载体。以主业务流程为核心，支持业务流程为后盾，建立组织的运行政策： ①、确定各岗位的专业化，部门的划分，以及直线指挥系统与参谋系统的相互关系等方面的工作任务组合； ②、建立职权指挥系统，控制幅度和集权分权等部门与部门、人与人之间相互影响、协调和控制的机制； ③、建立最优化业务流程和信息流，以及相应的最有效的协调和管理手段，形成一套管理机构，以及与之相配套的支持系统。 3、以建立核心竞争力为流程优化的目标： 在流程优化的设计中，通过价值分析、识别、创建企业的核心能力，使企业的核心能力成为企业战略的中心，以此塑造企业的核心竞争力。 二、流程优化设计的原则： 1、并行管理原则： 应体现为顾客创造有益价值的服务理念，强调流程为顾客而设，组织结构应为流程而定；而不是流程为组织而定，各部门职能独立和分割，应以价值流程为中心，强调企业整体目标和利益。 2、整体最优原则： 流程优化过程中，应充分体现系统论思想；注重整体流程的系统优化，以整体流程全局最优为目标，消除部门主义、利益分散主义。 3、集成化原则： 最大限度地实现信息整合和时时共享，充分运用最新的IT技术，来形成信息的获取、处理和共享使用机制，将企业的监控机制有机的融合在业务流程和信息流之中，有利于将过程控制与结果控制结合起来。4、均衡发展原则： 流程优化涉及到企业的销售、研发、生产、财务等各个方面，但是对企业来讲，各个方面并不均衡；因此，企业应对某些局部流程进行管理创新，以达企业的均衡发展。 5、简约化原则： 流程优化是简化工作程序，提高工作效率。 三、流程优化设计框架： 流程优化是依据企业的行业状况、发展阶段、内部资源、产品结构 程序优化方法及步骤 经过这段时间对GigE接口卡的开发，主要工作表现在程序的优化上，总结以下优化心得。 一、程序优化的思路 1.首先考虑程序级优化，主要考虑程序整体设计上的优化。程序尽量采用多线程机制，充 分利用CPU时间片；尽量减少数据的搬移操作。 2.对程序整体的优化 1)选用C编译器提供的优化选项 在编译器中提供了分为若干等级和种类的自动优化选项，如下： ● -o：使能软件流水和其他优化方法 ● -pm：使能程序级优化 ● -mt：使能编译器假设程序中没有数据存储混淆，可进一步优化代码。 ● -mg：使能分析（profile）优化代码 ● -ms：确保不产生冗余循环，从而减小代码尺寸 ● -mh：允许投机执行 ● -mx：使能软件流水循环重试，基于循环次数对循环试用多个方案，以便 选择最佳方案。 根据实际编译的程序，选择合适的优化选项，进行源程序的优化。实际程序测试，结合使用-o3和-pm优化编译选项效率最高。 2) 增加CACHE的使用 Cache即高速缓存，是位于CPU和片内存储器之间的规模小速度快的存储器。Cache 的工作原理是保存CPU中最常用的数据。当Cache中保存着CPU要读写的数据时，CPU 直接访问Cache。由于Cache的速度与CPU相当，CPU能在零等待状态下迅速地实现数据存取。只有在Cache中不含有CPU所需的数据时CPU才去访问片内存储器。因此Cache 的有效利用对整个程序速度的提高有着举足轻重的作用。 DM648存储结构大致分为3个层次。依次是L1、L2和DDR2及外部存储。其中，L1分为L1P（程序储存器）和L1D（数据存储器），L2分为Cache和IRAM，Cache的容量可由用户定义，IRAM可有软件配置和指定。DDR2挂在L2的左侧。图中没有画出。具体结构如下图所示。 企业流程管理方法与工具 企业流程管理（Enterprise Process Management, EPM/Business Process Management, BPM) 目录 1 什么是企业流程管理 2 流程管理项目宗旨 3 流程管理的三种不同层次 4 流程管理的基本特征 5 流程管理的目的 6 流程管理的目标 7 流程管理原则 7.1 一、改变流程的结构或构造 7.2 二、改变流程上传递的信息流 7.3 三、改变流程上的知识流 8 流程管理项目流程 9 几种流程管理方法与工具 10 流程管理方案实施 11 流程管理项目的关键成功因素 11.1 一、与内部顾问团队精诚合作 11.2 二、项目界限明确界定 什么是企业流程管理 企业流程管理主要是对企业内部改革，改变企业职能管理机构重叠、中间层次多、流程不闭环等，使每个流程可从头至尾由一个职能机构管理，做到机构不重叠、业务不重复，达到缩短流程周期、节约运作资本的作用。 流程管理项目宗旨 1.通过精细化管理提高受控程度 2.通过流程的优化提高工作效率 3.通过制度或规范使隐性知识显性化 4.通过流程化管理提高资源合理配置程度 5.快速实现管理复制 流程管理的三种不同层次 1.流程规范 整理企业流程，界定流程各环节内容及各环节间交接关系，形成业务的无缝衔接，适合所有企业的正常运营时期。 2.流程优化 适合企业任何时期，流程的持续优化过程，持续审视企业的流程和优化流程，不断自我完善和强化企业的流程体系。 3.流程再造 重新审视企业的流程和再设计。适合于企业的变革时期与企业的变革阶段：治理结构的变化、购并、企业战略的改变、商业模式发生变化、新技术、新工艺、新产品的出现、新市场的出现等等。 流程管理的基本特征 企业的流程按其功能可以区分为业务流程与管理流程两大类别。 1、业务流程是指以面向顾客直接产生价值增值的流程； 2、管理流程是指为了控制风险、降低成本、提高服务质量、提高工作效率、提高对市场的反应速度，最终提高顾客满意度和企业市场竞争能力并达到利润最大化和提高经营效益的目的的流程。 企业内的一切流程都应以企业目标为根本依据，尤其是管理流程： 对外，面向客户，提高业务流程的效率 对内，面向企业目标，提高管理流程的效率，平衡企业各方资源（生产线平衡），控制总体效率的平衡，实现企业总体绩效。 流程管理的目的 第一种观点: 1.保证业务流程面向客户； 优化流程、明确职责，提高组织效率 一、项目背景 在国有企业改革背景下组成的某特大型国有集团公司(以下简称“集团”)，业务经营领域涉及十多个行业，不同行业进展规模、盈利能力、价值贡献、竞争能力等均有较大差异。 由于专门的缘故，公司业务类型既存在国家打算的封闭式业务，又存在面向市场竞争的开放式业务。集团公司在对下属企业的治理操纵和治理体制上还保留着政府行政治理的模式。集团总部职能定位不清晰；治理流程体系不够完善，如有些流程环节过多，有些流程关键环节缺失。为了适应日益激烈的外部竞争，提高集团运营效率，集团公司提出了优化流程、明晰职责的变革治理。 二、项目目标及内容 集团公司差不多依照不同的业务特点设计了新的管控模式，但没有建立适应于新的管控模式和治理定位的治理流程。在对该集团治理现状进行了初步分析之后，项目双方就咨询服务的目标和内容达成了一致。 项目目标是基于集团业务特点确定的新的管控模式，优化治理流程，有效推进治理效率的提升。 项目的内容为对现状流程进行分析，依照现状分析和管控模式，建立集团流程体系并优化现有核心治理流程。 三、项目实施思路 流程优化设计基于集团公司新的管控模式和组织架构，并分析了管控模式时期发觉的集团存在的问题。在此基础上项目组制定了流程优化设计时期的工作思路。如图1所示。 图1：流程优化设计工作进程 四、项目实施过程 1、项目启动 流程优化设计基于集团公司新的管控模式和组织架构，并分析了管控模式时期发觉的集团存在的问题。在此基础上项目组制定了流程优化设计时期的工作思路。如图1所示。 留成优化设计是不同于一般的治理咨询项目，它涉及到公司方方面面，涉及到某些工作的特不细小的流转关节。而优化后的流程有可能会改变现有的工作适应、现有的工作关系、现有的制度规范。因此流程优化设计是一个全员参与的项目。同时流程优化设计是一个持续改进的过程，这就需要公司职员具有流程优化的意识、理念和方法。因此作为集团现时期治理变革的咨询顾问，中华博略项目组除了要优化现在状况下的流程外，更重要的是要把流程优化的理念、思想、方法灌输给客户的尽可能多的职员，培养他们流程优化的意识，为集团持续性的变革和进展打下基础。 为了实现项目目标中华博略项目组与客户在启动时期确定了以下要紧工作： * 制定了详细的项目实施打算，并得到双方的认可。 * 成立项目组织，由客户公司领导和中华博略领导组成项目领导小组，由客户人力资源部、其他部门主任和中华博略业务董事成基于粒子群优化算法的图像分割
基于优化问题的多目标布谷鸟搜索算法
基于MATLAB的粒子群优化算法的应用示例
C程序优化方案
Java程序性能优化方案
基于粒子群优化算法的神经网络在
流程优化方法
C语言程序运行速度优化方法谈
多目标优化进化算法比较综述
09第九章 多目标优化算法
DSP程序优化方法
51单片机程序优化
流程优化设计的解决方案
程序优化方法及步骤-20101203
流程优化工具、方法
优化计划流程、明确职责