改进的遗传算法.pptVIP

遗传算法 沈阳工业大学 应用数学系 14.2基本遗传算法 算法原理： （1）二进制编码 （2）单点交叉 （3）轮盘赌策略。 14.2基本遗传算法 算法步骤： （1）随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码。 （2）用轮盘赌策略确定个体的适应度，并判断是否符合优化准则，弱符合，输出最佳个体及其代表的最优解，并结束计算，否则转向3 （3）依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰 （4）按照一定的交叉概率和交叉方法，生成新的个体。 14.2基本遗传算法 算法步骤： （5）按照一定的变异概率和变异方法，生成新的个体； （6）由交叉和变异产生新一代的种群，返回到2. 14.2基本遗传算法 算法举例： [xv,fv]=myGA(@fitness,0,30,50,100,0.9,0.04,0.01) [xv,fv]=myGA(fitness,a,b,NP,NG,Pc,Pm,eps) 自变量上界：a，自变量下界：b 种群大小：NP，最大进化代数：NG 杂交概率：Pc，变异概率：Pm 自变量离散精度：eps，目标函数的最小值：fv 目标函数取最小值时的自变量值：xm 初始化 选择 交叉与变异 result main 14.3顺序选择遗传算法 算法原理： （1）按适应值大小对个体进行排序 （2）定义最好的个体的选择概率为q（对于用遗传算法求最大值问题来说，最好个体也就是适应值最大的个体），则排序后的第j个个体的选择概率为： 从顺序选择的选择概率计算公式可以看出，每个个体都有可能被选中从而产生后代。 14.3顺序选择遗传算法 算法步骤： （1）随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码 （2）计算个体的适应度，并判断是否符合优化准则，弱符合，输出最佳个体及其代表的最优解，并结束计算，否则转向3 （3）根据顺序选择策略选择再生个体 （4）按照一定的交叉概率和交叉方法，变异概率和变异方法，生成新个体 （5）由交叉和变异产生新一代的种群，返回2 14.3顺序选择遗传算法 算法举例 [xv,fv]=SBOGA(@fitness,0,4,50,500,0.2,0.9,0.05,0.01) 个体数目50，最大进化代数500，最好个体的选择概率0.2，离散精度0.01，杂交概率0.9，变异概率0.05 14.4适值函数标定的遗传算法 一般情况，目标函数作适值函数。对于最小值问题，目标函数取反作为适值函数。有时由于目标函数之间的相对差别很小，从而各个个体的选择概率差别很小，此时各个个体被选择的几率几乎一样，这将导致遗传算法的选择功能被弱化，此时需要对目标函数标定，标定的方法有线性标定、动态标定、对数标定等。 14.4适值函数标定的遗传算法 算法原理： 对于最大化问题，动态线性标定的变换公式如下： 上式中F为适应值函数，f为目标函数值， 为第k代的最小目标函数值， 为选择压力调节值，它是较小的数，它随着k的增大而减小，一般采用如下的设置方法： 其中M，c为常数 14.4适值函数标定的遗传算法 算法步骤： （1）随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码。 （2）对目标函数值作变换，计算个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束计算，否则转向3 （3）依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰 （4）按照一定的交叉概率和交叉方法，生成新的个体。 14.4适值函数标定的遗传算法 算法举例 [xv,fv]=NormFitGA(@fitness,0,4,50,500,0.5,0.9,0.9,0.04,0.01) 个体数目50，最大进化代数500，选择压力调节值得初始值为2，选择压力调节值得缩小洗漱取0.9，离散精度0.01，杂交概率0.9，变异概率0.04 14.5大变异遗传算法 算法原理：当某带中所有个体集中在一起时，我们以一个远大雨通常的变异概率的概率执行一次变异操作，具有大变异概率的变异操作能够随机、独立地产生许多新个体，从而使真各个种群脱离”早熟”。 大变异遗传算法的具体操作过程为：当某一代的最大适应度Fmax与平均适应度Favg满足 其中 ,被称为密集因子,表征个体集中的程度.将该代中所有个体设为具有最高适应度个体的形式，这就是“集中”。随后，以一个比通常变异概率大5倍以上的概率对集中了的参数进行一次变异操作。 14.5大变异遗传算法 大变异操作要求有两个参数是：密集因子和大变异概率。 密集因子用来决定大变异操作在整个优化过程中所占的比重，其数值越进阶0.5，大变异操作被条用得越频繁； 大变异概率越大，含大变