遗传算法精要.pptVIP

遗传算法的改进 变异 在进化前期不采取变异操作，当种群进化到一定收敛时期，从最优个体中选择一部分个体进行初始化； 初始化：选择一定比例（扩散率，一般0.35）的基因座，随机地决定它们的位值。 1、CHC算法 遗传算法的改进 参数分析 交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键，直接影响算法的收敛性； Pc越大，新个体产生的速度就越快，但过大会使优秀个体的结构很快被破坏； Pc过小，搜索过程缓慢，以至停止不前； Pm过小，不易产生新个体结构， Pm过大，变成纯粹的随机搜索； 2、自适应遗传算法 遗传算法的改进 自适应策略 Srinvivas等提出一种自适应遗传算法，Pc和Pm能够随适应度自动改变： 当种群各个体适应度趋于一致或趋于局部最优时，使Pc和Pm增加；而当群体适应度比较分散时，使Pc和Pm减少； 对于适应度较高的个体，对应于较低的Pc和Pm ；而较低适应度的个体，对应于较高的Pc和Pm 。 2、自适应遗传算法 自适应方法 fmax——群体中最大的适应度值； favg——每代群体的平均适应度值； f’——要交叉的两个个体中较大的适应度值； f——要交叉或变异的个体适应度值； k1、k2、k3、k4 取(0,1)的值 遗传算法的改进 2、自适应遗传算法 自适应方法进一步改进 适用于进化后期，不适于进化前期，因为前期的优秀个体有可能是局部最优点； 使最大适应度个体的交叉概率和变异概率由0提高到Pc2和Pm2 ； 采用精英选择策略； 遗传算法的改进 2、自适应遗传算法 自适应方法进一步改进 遗传算法的改进 2、自适应遗传算法 小生境概念 小生境（niche）：生物学中, 特定环境中的一种组织功能；在自然界中, 往往特征、性状相似的物种相聚在一起, 并在同类中交配繁衍后代。 在SGA中，容易“近亲繁殖”； NGA(Niche Generic Algorithm), 将每一代个体划分为若干类, 每类选出优秀个体组成一个种群； 优势：保持解的多样性, 提高全局搜索能力, 适合复杂多峰函数的优化。 遗传算法的改进 3、基于小生境技术的遗传算法 选择策略 预选择机制、排挤机制、分享机制； 预选择（preselection,1970）机制 当子个体的适应度超过其父个体适应度时，子个体才可以替代父个体，否则父个体仍保留； 有效维持种群多样性，造就小生境进化环境。 遗传算法的改进 3、基于小生境技术的遗传算法 排挤（crowding,1975）机制 设置排挤因子CF（CF=2或3），随机选取1/CF的个体组成排挤成员，排挤与其相似（用距离来度量）的个体； 个体之间的相似性可用个体编码串之间的海明距离来度量。 遗传算法的改进 3、基于小生境技术的遗传算法 共享（sharing,1987）机制 通过个体之间的相似性程度的共享函数来调整各个体的适应度； 共享函数的目的：将搜索空间的多个峰值在地理上区分开来，每一个峰值处接受一定比例数目的个体，比例数目与峰值高度有关； 遗传算法的改进 3、基于小生境技术的遗传算法 共享（sharing,1987）机制 共享函数的值越大，表明个体之间越相似，记为Sh(dij)，dij为两个个体i和j之间的距离； σshare是niche的半径，由使用者给定。 遗传算法的改进 3、基于小生境技术的遗传算法 共享（sharing,1987）机制 共享法将个体的适应度降低，即适应度值fi除以一个niche计数mi： 在距离为σshare的范围内的个体彼此削减适应度，这些个体将收敛在一个niche内，避免了整个种群的收敛。 遗传算法的改进 3、基于小生境技术的遗传算法 是生命科学中免疫原理与传统遗传算法的结合。 核心 免疫算子 接种疫苗 免疫选择 理论上是概率1收敛的。 免 疫 遗 传 算 法 引言 遗传算法的迭代搜索过程：“产生----测试” 一定程度上不可避免退化现象出现 忽视特征信息，缺少灵活性 深入挖掘和利用人类的智能资源，这是免疫遗传算法的出发点。 全免疫(full immunity) 目标免疫(target immunity) 非特异性 特异性 全免疫 指种群中每个个体在遗传算子作用后，对其每一环节进行一次免疫操作。 目标免疫 指在进行了遗传操作后，经过一定