基于实数编码的遗传算法在饲料配方设计中的应用（PPT 33页）.PPT

基于实数编码的遗传算法在饲料配方设计中的应用 报告人：陶琳丽 云南省动物营养与饲料重点实验室 云南农业大学动物科学技术学院 一、研究意义 1、引入新的优化算法——遗传算法，解决现有饲料配方设计中由纯数学思维算法本身局限性所产生的不足。 如：线性规划模型中，当约束条件之间或约束条件与目标函数间存在矛盾时，系统无可行解； 数学上给出的满足约束条件和目标函数的优化配方，从营养学的角度看有时又是不可行的。 一、研究意义 2、解决标准遗传算法在计算饲料配方时易产生早熟现象以及局部寻优能力差等问题 。 如：用标准遗传算法在计算饲料配方时易产生早熟现象以及局部寻优能力差等问题，特别是在原料多，约束条件多的情况下，这种缺点表现的更为明显。 二、遗传算法（Genetic Algorithm，GA） 遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。 1、遗传算法的组成 遗传算法可定义为一个8员组： SGA=(C, E, P0, M, Φ, Γ, Ψ, T) C —— 个体的编码方法； E —— 个体适应度评价函数； P0 —— 初始群体； M —— 群体大小； Φ —— 选择算子； Γ —— 交叉算子； Ψ —— 变异算子； T —— 遗传运算终止条件。 2、遗传算法思想 初始化群体； 计算群体上每个个体的适应度值； 按由个体适应度值所决定的某个规则选择将进入下一代的个体； 按概率Pc进行交叉操作； 按概率Pm进行突变操作； 没有满足某种停止条件，则转第(2)步，否则进入(7)。 输出种群中适应度值最优的染色体作为问题的满意解或最优解。 3、遗传算法的优点 （1）遗传对所解的优化问题没有太多的数学要求，遗传算法可以处理任意形式的目标函数和约束，无论是线性的还是非线性的，离散的还是连续，甚至混合的搜索空间。 （2）进化算子的各态历经性使得遗传算法能够非常有效的进行概率意义下的全局搜索，而传统的优化方法是通过邻近点比较而转移到较好的点，从而达到收敛的局部搜索过程。 （3）遗传算法对于各种特殊问题可以提供极大的灵活性来混合构造领域独立的启发式，从而保证算法的有效性。 4、遗传算法性能分析指标 （1）在线性性能评估 在线性能表示为： 4、遗传算法性能分析指标 （2）离线性性能评估 离线性能表示为： 三、遗传算法在饲料配方设计中的应用 算法设计流程图 1、标准遗传算法在饲料配方设计中的应用 1.1 编码策略 1.1 编码策略 1.2 初始种群的生成 根据饲料原料及其营养成分表中各种原料的用量上限、用量下限、等量使用的要求，在最优解所占问题空间中的分布范围内使用随机生成初始种群。 1.2 初始种群的生成 （1）生成随机种子； （2）设定初始种群的数量； （3）利用约束条件对生成的每一个随机数的上下限进行控制，保证生成的随机数在约束条件围内； （4）测试生成的种群中各原料是否能满足营养需求，若不能满足则返回（3）； （5）初始种群的数量是否达到，若达到则跳出，否则返回（3）。 1.3 适应度函数 度量个体适应度的函数称为适应度函数。 饲料配方设计的要求是在保证满足饲养标准要求的条件下降低饲料配方的成本。因此，本研究中遗传算法的个体适应度函数的设计采用饲料成本极小化方法。适应度函数为： 1.4 选择操作 选择操作也叫复制操作，从群体中按个体的适应度函数值选择出较适应环境的个体。 标准遗传算法中采用轮盘赌模型。 选择操作的主要目的是提高全局的收敛性和计算效率。 1.4 选择操作 以单个个体适应度值倒数占种群中共np个个体的适应度值倒数之和的比率作为选择概率。即： 1.5 交叉过程 交叉运算是产生新个体的主要方法，是决定算法收敛性能的关键。 标准遗传算法中，进行交叉操作时， 首先按照预先设定的交叉概率选出要进行交叉的个体， 形成交叉配对池， 然后对配对池中的个体进行完全随机的等概率一一配对，最后对每一对父代个体随机确定交叉点，交换基因片段，生成新的子代个体。 1.5 交叉过程 根据实数编码的特点，交叉方式选择算术交叉。 算术交叉是指由两个个体的线性组合而产生出两个新的个体。 当满足概率Pc，则 ： 1.5 交叉过程 1.6 变异过程 变异运算是产生新个体的辅助方法。但也是必不可少的一步运算步骤。 主要目的： （1）提高了遗传算法的局部搜索能力。 （2）维持群体的多样性，防止出现早熟现象。 在本研究中，基本遗传算法变异过程的实现采用均匀变异，即在变异过程中，个体中的一个随机基因，在约束条件的上下范围内实现随机生成，并替换原有基因值。 1.7 算法操作的基本