chapter9-EC.pptVIP

进 化 计 算 进化计算: 进化策略、进化规划、遗传算法 三者构成主要框架 进化计算的研究起始于50年代。当时几个计算机领域的科学家独立的开始研究进化系统。其思想是将自然界中的进化过程引入工程研究领域以解决工程优化问题。在用进化思想解优化问题时，使用了进化过程中的遗传、选择等概念，并且把它们作为算子参与优化。 进化策略（evolution strategies）是60年代，Recherberg 提出的方法。该方法与被广泛使用的遗传算法有些联系，但是却是被独立研究出来的，至今仍有研究者在这一领域继续从事研究。 进化规划（evolution programming） 是60年代由Fogel、Owen和Walsh提出的方法。该方法把给定的问题描述成为有限状态机（finite state machines），通过施加进化算子，从而达到优化的目的。 遗传算法(Genetic Algorithms) 是Holland在60年代提出的，其同事和学生进一步发展的该算法。由于该算法简单易用，且对很多优化问题能够较容易地给出令人满意地解，所以得到广泛地应用，其影响也越来越大。 一.进化策略 进化策略作为一种方法可以用于最优化问题的求解。 首先定义描述所要解决的优化问题 其中x Rn,F(x)是x的实值函数。 注：这是一个无约束的最优化问题。而在实际中，我们常会涉及到带有约束的优化问题 带约束条件的优化问题为 其中F(x)是x的实值函数， 这里 G = {x Rn | Gj (x)0, j=1,2……m} 由于Gj(x)限制了x的取值范围，所以Gj(x)被称为约束函数。对于带约束的优化问题，可以使用一些方法转化为无约束的优化问题。 进化策略 二元进化策略（two-membered ecolution strategy） 多元进化策略 (multi-membered evolution strategy) 二元进化策略(只考虑变异和选择): （1）初始化 生成由两个个体构成的群体。一个作为父辈个体，一个作为后代个体。 个体不同由个体基因不同所决定，这两个个体称为第1代群体。 （2）变异 第g代中的父辈个体P(g)产生了其新后代个体D(g)。新产生的后代个体在基因上与父辈个体略有不同。其基因差异具有随机性。 （3）选择 由于第g代中父辈个体与其后代个体的基因不同，因此对环境的适应性也不同。其中只有具有较强的适应性的个体有资格再次被选择作为第g+1代的父辈个体P(g+1)。然后，在回到（2）。 可以看出，如上所述周而复始的过程是一个简化了的进化过程。在其中做了如下假定： 1）????? 某种生物的进化是通过该生物个体构成的群体的进化完成的，群体中个体数目为常数。 2）原则上，每个个体能无限期地存活，并能无限制地产生后代。 3）变异只发生在某个基因点上，并且个体地基因组成唯一的决定了个体 对环境的适应程度。 4）个体对环境的适应性函数并不随时间的变化而变化。 工程语言描述为： 1）初始化 生成一个优化问题的两个解。这两个解代表n维欧氏空间的两个点。由于这两个点位置的不同，决定了其对应的目标函数值的不同。其中目标函数值较高的解将参与下面步骤的运算。这是第一次迭代。 2） 变异 在第g次迭代中，根据被选择的解xg产生一个新解yg。xg与yg只是在n维欧氏空间位置略有不同。这两个解所对应的点之差是一个随机向量。 3）选择 xg与yg对应于目标函数F(X),分别具有不同的函数值。其中只有具有较高目标函数值的解参与第g+1代次迭代中的运算。 1）? 初始化 初始化生成x(0)=(x0(0),x1(0),……xn(0))T,x(0)满足条件Gj(x(0))0;j=1,……，m。令g＝1。 2）?变异 生成y(g)=x(g)+z(g),其中z(g)=(z0(g),z1(g)……z n(g))T. 3） 选择 x(g+1)= 并另g=g+1.如果算法终止条件不满足，则回到（2） 在如上算法中，有两个部分未定，一是z(g)的生成，另一个 是算法终止的准则。我们先讨论z(g)的选取问题。 变异过程 z(g)的选取体现了变异过程的特性。根据变异过程特点，要求z(g)是均值为0，方差较小的随机向量。 我们可以选取z(g)满足正态分布。单变量正态分布概率密度函数如下： 多元正态分布，概率密度函数如下 其中z(g)=(z0,z1……z n)T.表示多元随机变量，C是协方差矩阵，n是向量维数。由于要求向量的n个分量彼此是独立的，每个分量是零均值的，这时的多元正态分布概率密度函数有较简单的形式。 由概率论知识知，当z向量的n