CGA算法研究.pptVIP

*CGA算法研究 概述 SGA算法 CGA算法 *CGA算法 MATLAB仿真结果 概述 遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种有效的全局优化算法，其通过模拟自然进化过程随机搜索问题的最优解。 1975年，美国Michigan大学J.Holland教授首先提出该概念，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》。自此，GA开始逐渐为人所知。当前，遗传算法已经广泛应用于图像编码，机器学习等众多领域。 遗传算法是一种可以用于复杂系统优化的具有鲁棒性的搜索算法，与传统优化算法相比，其主要有以下特点： 以决策变量的某种编码形式作为运算对象。一方面可以通过借鉴生物学中染色体与基因的概念，实现对自然界生物的遗传和进化机理的模仿；另一方面有利于遗传操作算子的应用。 直接以适应度作为搜索信息，无需使用导数等其它辅助信息。 具有隐含并行性，可以同时使用多个点的搜索信息。 使用随机概率搜索技术，而非确定性的规则。 SGA算法 J.Hilland教授所提出的遗传算法通常被称为简单遗传算法（SGA，Sample Genetic Algorithm ）。 SGA首先通过对问题的解集进行编码生成初始种群，然后依据优胜劣汰和适者生存的演化准则，逐代演化出更好的近似解，同时在每一代中，以问题域中个体的适应度大小为根据进行选择，并借助自然遗传学的遗传算子进行交叉和变异操作，从而产生出代表新的解集的种群，最后对终止准则进行判定，演化终止时所得到的末代种群中的最优个体经过解码，可以作为问题的近似最优解。SGA算法的流程图如下所示。 CGA算法 CGA（Compact Genetic Algorithm）使用概率变量（probability vectors）描述种群，传统的GA采用一系列位串来描述候选解决方法种群，以致于在硬件实现时，需要消耗大量的资源，且实现过程相对较为复杂。而CGA减少了种群所需的存储资源，在硬件实现时不需要使用RAM，仅仅使用D触发器实现的寄存器即可。 CGA算法的优越性主要体现在以下几方面： CGA极大地减少了存储空间需求，从L*N位（SGA所需）减少到L*log2(N+1)位，因为概率变量被用来表示种群，从而不需要像SGA那样存储许多的个体。 CGA依据概率变量值生成个体，概率变量值是保留有效个体信息的比例值，另外算法能够提供足够的变化能力以避免早熟收敛现象和局部最优值。 CGA能够为我们提供一个确定的终止条件标准，这个标准是我们在SGA中很难得到的。在SGA中，我们一直使用实验数据和理论最优值之间的误差作为终止标准，但是实际上我们通常很难能够得到理论最优值。 CGA的伪码如下所示： 1）Initialize probability vector L is the number of bits in the genome for i:=1 to L do p[i]:=0.5 2）Generate two individuals from the vector a:=generate(p); b:=generate(p); 3）Let them compete winner,loser:=evaluate(a,b); 4）Update the probability vector toward the better one. N is the number of individuals in the simulated population. for i:=1 to L do if winner[i]loser[i] then if winner[i]= =1 then p[i]+=1/N else p[i]- =1/N 5）Check if the probability vector has converged for i:=1 to L do if p[i]0 and p[i]1 then goto step2 6）P represents the final solution. *CGA算法 但是CGA的标准形式只能用来解决一阶简单问题，其搜索能力不足，不适