遗传算法new.pptVIP

* * * * * * * * * * * * * * * * * * * * * * * * * * * * * * 从而使得遗传算法能够以良好的搜索性能完成最优化问题的寻优过程 * * * * * * * * * * * * 常用的变异算子 基本位变异 均匀变异 非均匀变异 高斯变异 A:1010 01010 1 基本位变异 A: 1010 01010 0 终止条件 （7）终止条件 遗传算法的终止条件有两类常见条件： 采用设定最大（遗传）代数的方法，一般可设定为 50代，此时就可能得出最优解．此种方法简单易行，但可能不是很精确 根据个体的差异来判断，通过计算种群中基因多样性测度，即所有基因位相似程度来进行控制 主要内容 基本原理 主要步骤及实例 收敛性分析 Matlab指令 遗传算法的收敛性 遗传算法通过对这些操作的适当设计和运行，可以实现兼顾全局搜索和局部搜索的所谓均衡搜索 均衡搜索的具体实现图示 遗传算法的收敛性 遗传算法虽然可以实现均衡的搜索，并且在许多复杂问题的求解中往往能得到满意的结果，但是该算法的全局优化收敛性的理论分析尚待解决。目前普遍认为，标准遗传算法并不保证全局最优收敛。但是，在一定的约束条件下，遗传算法可以实现这一点。 定理 1 如果变异概率为 ，交叉概率为 ，同时采用比例选择法 ( 按个体适应度占群体适应度的比例进行复制)，则标准遗传算法的变换矩阵 P 是基本的。 遗传算法的收敛性 定理 2 标准遗传算法（参数如定理1）不能收敛至全局最优解。 标准遗传算法是不能收敛至全局最最优解，对标准遗传算法作一些改进，就能够保证其收敛性。 最佳个体保存方法（elitist model）的思想是把群体中适应度最高的个体不进行配对交叉而直接复制到下一代中。 设时刻 t ( 第 t 代 ) 时，群体中 a*(t) 为最佳个体，并设 A(t+1) 为新一代群体，若 A(t+1) 中不存在 a*(t)，则把 a*(t) 作为 A(t+1) 中的第 n+1 个个体 ( 其中，n 为群体大小 ) 最佳个体保存方法 该方法的优点：确保进化过程中某一代的最优解不被交叉和变异操作所破坏。 使用策略：与其他选择方法结合使用。 该方法的缺点：局部最优个体的遗传基因会急速增加而使进化有可能限于局部解，即该方法的全局搜索能力差，它更适合单峰性质的搜索空间搜索，而不是多峰性质的空间搜索。 最佳个体保存方法 定理 4具有定理 1 所示参数，且在选择前保留当前最优解的遗传算法可收敛于全局最优解。 定理 3具有定理 1 所示参数，且在选择后保留当前最优值的遗传算法最终能收敛到全局最优解。 种群规模对收敛性的影响 通常，种群太小则不能提供足够的采样点，以致算法性能很差； 种群太大，尽管可以增加优化信息，阻止早熟收敛的发生，但无疑会增加计算量，造成收敛时间太长，表现为收敛速度缓慢。 选择操作对收敛性的影响 选择操作使高适应度个体能够以更大的概率生存，从而提高了遗传算法的全局收敛性。如果在算法中采用最优保存策略，即将父代群体中最佳个体保留下来，不参加交叉和变异操作，使之直接进入下一代，最终可使遗传算法以概率1收敛于全局最优解。 交叉概率对收敛性的影响 交叉操作用于个体对，产生新的个体，实质上是在解空间中进行有效搜索。 交叉概率太大时，种群中个体更新很快，会造成高适应度值的个体很快被破坏掉； 概率太小时，交叉操作很少进行，从而会使搜索停滞不前，造成算法的不收敛。 变异概率对收敛性的影响 变异操作是对种群模式的扰动，有利于增加种群的多样性 。 但是，变异概率太小则很难产生新模式 变异概率太大则会使遗传算法成为随机搜索算法。 GA的优点 与其它一些优化算法相比，GA具有以下特点： GA以决策变量的编码作为运算对象，而不是参数本身，这使得GA不受函数约束条件的限制，如连续性、可导性等； GA可以直接根据目标函数值进行搜索，而无需其它信息，如导数信息； GA同时使用多个搜索点的搜索信息，隐含并行搜索特性； GA具有全局搜索能力，善于搜索复杂问题和非线性问题。 遗传算法同求解问题的其它启发式算法有较好的兼容性，可以与其它优化算法进行结合，改进算法性能。 如模拟退火遗传算法。 GA 的缺点 编码不规范及编码存在表示的不准确性。 单一的遗传算法编码不能全面地将优化问题的约束表示出来。 易于陷入局部最优点，导致早熟。 主要内容 基本原理 主要步骤及实例 收敛性分析 Matlab指令 Matlab指令 x=ga(@fitness,nvars) 求解优化问题：minf(x)，其中nvars为解向量长度 fitnessf