第四章：遗传算法.pptVIP

第四章 遗传算法 4.4.1 GA的特点 (4) 随机性 GA中的选择、交叉和变异都是随机操作,而不是确定的精确规则. 这说明GA是采用随机方法进行最优解搜索,选择体现了向最优解迫近,交叉体现了最优解的产生,变异体现了全局最优解的覆盖. GA在应用中最关键的问题有如下3个: (1) 串的编码方式 这本质是问题编码. 一般把问题的各种参数用二进制编码,构成子串;然后把子串拼接构成“染色体”串. 串长度及编码形式对算法收敛影响极大. 4.4.2 GA的应用关键 (2) 适应函数的确定 适应函数(fitness function)也称目标函数(object function),这是问题求解品质的测量函数;往往也称为问题的“环境”. 一般可以把问题的模型函数作为对象函数，但有时需要另行构造. 4.4.2 GA的应用关键 (3) GA自身参数设定 GA自身参数有3个,即群体大小n、交叉概率Pc和变异概率Pm. 群体大小n太小时难以求出最优解,太大则增长收敛时间. 一般n=30~160. 交叉概率Pc太小时难以向前搜索,太大则容易破坏高适应值的结构. 一般取Pc=0.25~0.75. 4.4.2 GA的应用关键 (3) GA自身参数设定 变异概率Pm太小时难以产生新的基因结构,太大使GA成了单纯的随机搜索. 一般取Pm＝0.01~0.2. 终止规则 (a)选定一个总的遗传代数: (b)自适应终止规则:保留每一代最好的解, 若干代后,当最优解的变化不明显,则停止。 4.4.2 GA的应用关键 考虑如下实函数的优化命题 4.4.3 GA在函数优化中的应用 其中x为n维优化变量向量. 在利用GA对式(4)所示的函数优化命题进行运算时,需考虑的问题是: 适应度函数 由于上述函数优化命题为求极小,因此,在转换成适应度函数时,可采取以下两种方法. 4.4.3 GA在函数优化中的应用 1）转化成最大化问题,且保证非负性。 (目标函数) C为人为设定的足够大的正数。 2）若能保证g(x)是正的,则 注意：若问题本身是最大化,但不能保证g(x)非负性 4.4.3 GA在函数优化中的应用 个体编码 对该优化命题,可采用二进制编码或实数编码. 若采用实数编码,则可将变量向量x的每一变量分量变换成0~2L-1间的二进制数(其中L为每个变量分量对应的二进制串的长度). 然后将各变量分量所对应的二进制串按次序或某种规则排列策划功能成GA中的串. 4.4.3 GA在函数优化中的应用 群体规模、交叉和变异概率 对如何选取群体规模、交叉和变异概率这些GA所需要的参数,目前还没有能得到非常具体的选取方法,只有一些经验性质的指导原则. 针对具体的优化问题,需要作具体分析,以及还要依赖于使用者的所掌握的经验和技巧. 对交叉和变异概率的选取,有研究人员提出一些自适应选取策略,在一定程度上有助于GA的应用. 但是在GA的优化机理缺乏严格研究的情况下,自适应策略的效果也未有严格的分析和证明. 4.4.3 GA在函数优化中的应用 下面简单讨论2个函数优化的GA 算例. 算例1 用CGA求解如下函数优化问题 在该算例中,为简单便于说明起见,选择: 个体编码长度为5位二进制 群体个数为4 适应度函数直接为函数值 交叉概率1.0,变异概率0.75(通常变异概率应非常小) GA计算结果为 4.4.3 GA在函数优化中的应用 初始群体与第一次选择 4 1 2 4 1 1.9692 1 0.25000.4923 1170 292.5 576 和 平均值 最大值 1 2 0 1 0.5778 1.9692 0.2188 1.2342 0.1444 0.4923 0.0547 0.3085 169 576 64 361 13 24 8 19 01101 11000 01000 10011 1 2 3 4 实际复制数目 期望复制数目 选择百分比 函数值x2 变量 群体 编号 4.4.3 GA在函数优化中的应用 第一次交叉 1754 439 729 (随机产生) (随机产生) 和 平均值 最大值 144 625 729 256 12 25 27 16 01100 11001 11011 10000 4 2 {1,3} {2,4} 0110 | 1 11 | 000 1100 | 0 10 | 011 1 2 3 4 函数值x2 变量 新的群体 交配位置 交配对 交配池 编号 4.4.3 GA在函数优化中的应用 第一次变异 1766 441.5 841 (随机产生) 和 平均值 最大值 196 841 729 0 14 29 27 0 01