遗传算法的简介及应用教案分析.pptVIP

遗传算法的简介及应用 介绍人：王信 郑帅真 遗传算法 2.遗传算法应用于污水管网优化设计的实现 2.1 污水管网优化的设计目标： 污水管道的优化设计包括两方而内容: ①管网平而布置的优化选择; ②在管线平而布置已定的情况下进行管径、坡度及埋深的优化设计。 在管线布置已定的情况下，污水管网优化设计的目标应当是经济性、可靠性和安全性的全面优化。 由于安全性不易量化，管网运行正常时和故障时排水量会发生变化，而且污水管网拓扑结构的复杂性，使得至今还没有成熟的理论来分析管网的安全性，因而也无法将可靠性因素很好地量化以纳入适应度函数中。 因此在实际应用中，污水管网优化设计的主要目标是使整体投资最小。现在常用的方法是以经济性为目标函数，而将其他因素(充满度、设计流速、坡度、最小埋深等)作为约束条件，据此建立适应度函数，来评价个体的适应度。 2.2目标费用函数 约束条件： 2.3 计算步骤 2.4遗传算法工作内容和工作步骤 d、选择:将选择算子作用于群体。 选择的目的是把优化的染色体直接复制到下一代或通过配对交叉产生新的染色体再遗传到下一代。这里采取配对交叉遗传的方式。选择机制为适应度比例选择机制，也叫赌轮或蒙特卡罗选择。在该机制中，每个染色体的选择概率为其适应度值除以所有染色体适应度值之和，适应度值大的染色体被选择的几率较高。同时，采用最佳个体保存方法，把群体中适应度值最大的染色体不进行配对交叉而直接复制到下一代中，这样，可以保证产生的新一代群休的最打大适应度值不会小于上一代。 交叉操作是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进行交换。对于24位的染色体，由电脑随机产生一个在1到24之间的随机数c，假如现在产生的是3，将P1和P2的低3位交换，P1的高21位与P2的低3位组成一个新染色体，这就是P1和P2的一个后代Q1个体，P2的高21位与P1的低3位组成另一个新染色体，这就是P1和P2的一个后代Q2个体。 g、终止条件判断。 简单举例： 约束条件： 适应度函数： 3.遗传算法用于污水管网优化的优点 (1)将局部搜索和全局搜索协调起来，既可以完成值点邻域内解的求精，也可以在整个问题空间实施探索，而且给出的是一组而不是一个优化解，得到问题全局最优解的概率大大提高了，也给我们更大的选择余地。提出多个接近最优解的方案使我们能够方便地进行多方案的比较。污水管网优化既要考虑经济性.又要考虑可靠性.进行多方案比较，可以找到二者的最佳结合点。 (2)由于排水运行工况环境复杂而造成目标函数变化，而遗传算法使用的是基于目标函数值的评价信息，无需了解目标函数的导数或待求解问题领域内的相关知识，对问题的依赖性较小，具有很强的鲁棒性，因此，适用于任何大规模、高度非线性的不连续多峰函数的优化，以及无解析表达式的目标函数的优化，并且能够得到一组直接以市场规格管径表示的满足要求的优化解，更能适应管网计算要求。 (4)遗传算法本身并不要求对优化问题的性质做一些深入的数学分析，操作简单。 (5)遗传算法的操作始于解的一个种群，而非单个可行解，搜索轨道有多条，而非单条，因而具有显著的并行性。父代与子代相混合的方法，使父代与子代具有同样的生存竞争机会，保证了种群的健壮性，保持了种群的多样性。 谢谢! * * welcome to use these PowerPoint templates, New Content design, 10 years experience 1.遗传算法的原理及特点 1.1 遗传算法起源于20世纪60年代，最初用于对自然和人工自适应系统的研究，最早由美国人Holland教授提出。遗传算法借鉴了达尔文的自然进化理论与孟德尔的遗传变异理论：选择，交叉，变异。通过选择一定数量的个体进行杂交以及基因突变，把优秀的基因传给后代，丢弃不良基因，经过数代遗传，最终得到最优秀的一个或几个后代。(问题的最优解)。 1.2 在遗传算法中，先建立工程优化问题的数学模型，将问题的所有决策变量编码，称为一个基因。多个基因形成一个有限长的编码串，称为染色体。其对应的表现型即个体，都对应于优化问题的一个可行解，一组个体组成一代种群。优化问题的目标函数作为种群所处的环境，可以得出每个个体对环境的适应度，由适应度决定该个体生存的概率。 a. 遗传算法只需要适应度信息，不需要导数等其他辅助信息，对问题的依赖性较小，能够得到一组直接以市场规格管径表示的满足要求的优化解，更能适应管网计算要求。 b. 在搜索中用到的是随机的变换规则，同时它在一定的约束条件下采用启发式搜索，而不是盲目的穷举，因而兼顾了搜索的广度和方向性，搜索效率高。 c. 遗传算法从一组初始