8-其他处理方法摘要.ppt

标准遗传算法(Simple Genetic Algorithms,简称SGA) 是一种统一的最基本的遗传算法，它只使用选择、交叉、变异这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。 又叫基本遗传算法或简单遗传算法。 * * 四、遗传算法参数选取 * * 构成要素 ① 染色体编码方法。标准遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。 四、遗传算法参数选取 * * ②个体适应度评价。标准遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。 ③遗传算子。标准遗传算法使用下述三种遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子或均匀变异算子。 四、遗传算法参数选取 * * ④运行参数 标准遗传算法有下述4个运行参数需要提前设定： 群体大小M，即群体中所含个体数目，一般取为20~100； 遗传运算的终止进化代数T，一般取为100~500； 交叉概率Pc，一般取为0.4~0.99； 变异概率Pm，一般取为0.0001~0.1。 四、遗传算法参数选取 * * ⑤形式化定义 算法可定义为一个8元组： C---个体的编码方法； E---个体适应度评价函数； P0---初始群体；M---群体大小； Φ---选择算子； Γ---交叉算子； ---变异算子 T---遗传运算终止条件。 四、遗传算法参数选取 遗传算法的适用范围 * * GA是一种迭代自适应概率性搜索算法。它无需了解问题的数学模型，不依赖于梯度信息。因此，它适合解决传统搜索方法不能很好处理的问题，例如系统具有严重的非线性，或者难以建模分析等；反之，则GA并不适宜。 四、遗传算法参数选取 遗传算法的适用范围 * * GA是一种实验性较强的算法，并没有完备的数学理论作为基础，因此GA的设计更针对具体问题，而没有一种普适性的设计方案。 一般说来，在目前的计算能力下，GA运算相对时间较长，难以进行在线求解。 四、遗传算法参数选取 五、实例应用 例 用遗传算法求解下列优化问题： 其中 为整数。 【解】 （1）确定初始种群 ① 参数编码 将整数 x*? {0,1,…,31}作为参数，采用二进制进行编码： X=0—00000， … …x=31 —11111 ② 随机生成 * * * * 五、实例应用 （2）选择 根据“适者生存”的自然选择原理,从初始种群中选择生命力强的个体产生新的种群： ① 确定适应度函数 ② 计算适应度和选择率 * * 五、实例应用 ③ 随机选择适者个体 采用轮盘法，对初始种群进行选择，使得最优秀的个体获得最多的生存繁殖机会。 * * 五、实例应用 (3)交叉：将选择出的个体存入交配池中，用随机方法配对交叉，以产生新一代的个体 ① 随机选择配对； ② 随机选择交叉点； ③ 采用单点交叉，产生新的种群。 * * 五、实例应用 (4) 变异 在交叉过程中，可能丢失一些重要的遗传信息，因而产生变异。为了获得新的遗传信息，则需引入适度的变异。 * * 算法 优点 缺点 Bayes准则 直观性好，具有公理基础 易于理解，计算中等 要求给出先验概率和概率独立假设 适应条件苛刻，要求统一的识别框架 不能区分“不确定”和“不知道”信息 证据理论 具有较强理论基础 不要求给出先验概率 能区分“不确定”和“不知道”信息 计算具有潜在的指数复杂度 推理链较长时，使用不方便 模糊集理论 可解决信息或决策冲突问题 可实现主、客观件的信息融合 算法原理直观性不好 运算复杂 神经网络 具有较强的特征分类与映射能力 很强的自适应能力 并行处理、运算效率高 学习过程运算量大 寻找全局最优解较为困难 三、信息融合算法 * * 四、信息融合关键问题 1、融合单元和融合结构 融合处理过程：根据决策任务及其可以使用的多信息资源完成既定融合决策任务的处理过程。 融合单元－－仅进行一次多变量融合决策处理的过程。由变量、决策方法和决策结果组成。 * * 1、融合单元和融合结构 融合单元的基本组成： 变量：多个变量的准确表述和协调。 决策方法：决策函数是对输入多变量实施融合决策所采用的方法。 确定性的决策方法、基于推理的统计建立决策函数、最优统计决策函数、不精确推理方法等。