图论算法_2013要点解析.ppt

变异（Mutate） 在繁殖过程，新产生的染色体中的基因会以一定的概率出错，称为变异。 例： 变异前： 000001110000000010000 变异后： 000001110000100010000 如何设计变异概率是算法设计的艺术！ 基本遗传算法伪代码 /* * Pc：交叉发生的概率 * Pm：变异发生的概率 * M：种群规模 * G：终止进化的代数 * Tf：进化产生的任何一个个体的适应度函数超过Tf，则可以终止进化过程 */ 初始化Pm，Pc，M，G，Tf等参数。随机产生第一代种群Pop do { 　　计算种群Pop中每一个体的适应度F(i)。 　　初始化空种群newPop 　　do 　　{ 　　　　根据适应度以比例选择算法从种群Pop中选出2个个体 　　　　if ( random ( 0 , 1 ) Pc ) 　　　　{ 　　　　　　对2个个体按交叉概率Pc执行交叉操作 　　　　} 　　　　if ( random ( 0 , 1 ) Pm ) 　　　　{ 　　　　　　对2个个体按变异概率Pm执行变异操作 　　　　} 将2个新个体加入种群newPop中 } until ( M个子代被创建 ) 用newPop取代Pop }until ( 任何染色体得分超过Tf， 或繁殖代数超过G ) 遗传算法包含选择，交叉和变异三个过程， 如果下一代解的产生方式由交叉推广到其他一些更一般的策略，则称这样的算法为进化算法。 进化算法(Evolutionary algorithm)：选择，生成下一代解，变异。 模拟退火算法(Simulated annealing) 贪心法每次都选择一个当前最优解，因此只能搜索到局部的最优值。 模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。 “一定的概率”：初期接受差解的概率比较大， 后期接受差解的概率比较小 （与工业上的金属冶炼退火有关） 伪代码 /* * J(y)：在状态y时的评价函数值 * Y(i)：表示当前状态 * Y(i+1)：表示新的状态 * r： 用于控制降温的快慢 * T： 系统的温度，系统初始应该要处于一个高温的状态 * T_min ：温度的下限，若温度T达到T_min，则停止搜索 */ while( T T_min ) { 　　dE = J( Y(i+1) ) - J( Y(i) ) ; 　　if ( dE = 0 ) //表达移动后得到更优解，则总是接受移动 Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动 　　else 　　{ // 函数exp( dE/T )的取值范围是(0,1) ，dE/T越大，则exp( dE/T )也越大 if ( exp( dE/T ) random( 0 , 1 ) ) Y(i+1) = Y(i) ; //接受从Y(i)到Y(i+1)的移动 　　} 　　T = r * T ; //降温退火 ，0r1 。r越大，降温越慢；r越小，降温越快 　　/* 　　* 若r过大，则搜索到全局最优解的可能会较高，但搜索的过程也就较长。 若r过小，则搜索的过程会很快，但最终可能会达到一个局部最优值 　　*/ 　　i ++ ; } 七，例子：最大团问题 最大团问题（max clique problem）: 对于给定图G=(V,E)。 图G的团就是G的一个完全子图的顶点集合。 顶点最多的极大团，称之为图G的最大团。 最大团问题的目标就是要找到给定图的最大团。 七，例子：最大团问题 七，例子：最大团问题 1,进化算法 Q. Zhang, J. Sun, and E. Tsang, “An evolutionary algorithm with guided mutation for the maximum clique problem,” Evolutionary Computation, IEEE Transactions on, vol. 9, no. 2, pp. 192–200, 2005. 七，例子：最大团问题 2，模拟退火 X. Geng, J. Xu, J. Xiao, and L. Pan, “A simple simulated annealing algorithm for the maximum clique problem,” Informatio