4进化计算范例.pptVIP

进化计算的基本原理 随机自适应的全局搜索算法 （Holland霍兰德） 自然界的“自然选择”和“优胜劣汰” （Darwin达尔文） 生物遗传学说 （ Gregor Johann Mendel格里果·约翰·孟德尔） 例如： 数值型的参数编码可以用长度为L的二进制串表示。 如x取值是[1,64]之间的整数，可以用6位二进制编码表示。其对应关系： x的 基因型 表现型 1 0 0 1 0 1 ---? 37 0 0 1 1 0 0----? 12 ……… 1 1 0 1 1 0----? 54 TSP问题 采用适当的方法对周游路线编码 设计专门的遗传算子，以避免不可行性 防止过早收敛 TSP问题编码表示 编码方法有： 近邻表示 次序表示 路径表示 TSP问题编码表示 近邻表示 将一条周游路线表示成n个城市的一个排列C=（ C1，C2，…，Cn），Ci=j当且仅当周游路线从城市i到达的下一个城市为城市j。 如：排列：（2 4 8 3 9 7 1 5 6）表示周游路线是： 1-2-4-3-8-5-9-6-7-1. 每一条周游路线都对应着一个近邻表示，但任意近邻排列却不一定对应着一条周游路线。如 （２　４　８　１　９　３　５　７　６） TSP问题编码表示 次序表示 将一条周游路线表示成n个城市的有序表，其中表中第ｉ个元素在１～ｎ－ｉ＋１中取值。 C=（ C1，C2，…，Cn），Ci=j当且仅当周游路线从城市i到达的下一个城市为城市j。 如：排列：（2 4 8 3 9 7 1 5 6）表示周游路线是： 1-2-4-3-8-5-9-6-7-1. 每一条周游路线都对应着一个近邻表示，但任意近邻排列却不一定对应着一条周游路线。如： （２　４　８　１　９　３　５　７　６） TSP问题编码表示 路径表示 将一条周游路线表示成n个城市的有序表，其中，表中第ｉ个元素在１～ｎ中取值。 C=（ C1，C2，…，Cn），对任意i=1,2，…，n，j=1,2，…，n，当i ? j时满足Ci?Cj，表示周游路线从城市Ci到达的下一个城市为城市Ci+1。其中Cn的下一个城市是C1. 如排列：(2 4 8 3 9 7 1 5 6)表示周游路线是： 2-4-8-3-9-7-1-5-6-2. 遗传算法的参数设置 群体规模N 染色体的长度L 基因的取值范围R 交配概率Pc 变异概率Pm 适应值评价 终止条件 参数设置—群体规模N 影响算法的搜索能力和运行效率 N较大，群体的多样性好，提高算法的搜索能力；但会增加算法的计算量，降低算法效率。 N较小，提高了算法效率，但同时也降低了群体的多样性 N一般在20-100之间。 参数设置—染色体长度L 影响算法的计算量和交叉变异操作的效果 L的设置与优化问题和编码方案相关。 对二进制编码：解的取值范围和精度 对于浮点数编码：问题定义的解的维数D 变长编码 参数设置—基因的取值范围R R视采用的编码方案而定。 二进制编码，R={0,1} 对于浮点数编码，与问题定义的解的每一维的取值范围有关 参数设置—交叉概率Pc 决定了进化过程种群参与交叉的染色体平均数目：Pc*N Pc的取值一般为0.4-0.99。 也可采用自适应的方法算法运行过程中的Pc 参数设置—变异概率Pc 增加群体进化的多样性，决定了进化过程中种群发生变异的基因平均个数：Pm*N*L Pm的取值一般为0.001-0.1。 Pm不宜过大。变异对较优解具有一定破坏作用，Pm过大可能会导致算法目前所处的较好搜索状态倒退到原来较差的状况。 也可采用自适应的方法算法运行过程中的Pm 参数设置—适应值评价 影响算法对种群的选择，恰当的评价函数应该能对染色体的优劣做出合适的区分，保证选择机制的有效性，从而提高群体的进化能力。 评估函数的设置同优化问题的求解目标有关。 评估函数应满足较优染色体的适应值较大的规定。 参数设置—终止条件 决定算法何时停止运行，输出找到的最优解。 跟具体问题的应用有关。 最大进化代数：一般设置为100-1000代。 当前最优解的情况控制算法的停止：很长时间最优解没有变化；最优解达到一定的误差等 步骤3）确定选择方法；交换率PC；变异率Pm。 选择方法用竞争法； PC = 0.7, Pm = 0.05 计算结果：① 8代后，f(x,y) =0.998757, ② 41代后，f(x,y) =1.000