第五章系统优化课题.pptVIP

若它们结合，采用如下的交配方式，称为简单交配 即交换第二个位置以后的基因，得到 。若 的第一个基因发生变异，则变成， ＝（11001）。 可以将求解组合优化问题的遗传算法简化地描述为： 遗传算法 STEP1 选择问题的一个编码，给出一个有N个染色体的初始群体 pop(1)，t＝1； STEP2 对群体 pop(t) 中的每一个染色体 计算它的适应函数 STEP3 若停止规则满足，则算法停止；否则，计算概率 并以概率分布从pop（t）中随机选一些染色体。构成一个种群 newpop(t+1)={ |j=1,2,…,N}; ［注］newpop(t+1)集中可能重复选(pop)(t)中的一个元素，如例5.3中的 就选取两次。 STEP4 通过交配，交配概率为 ，得到一个有N个染色体的crosspop(t+1)； STEP5 以一个较小的概率p，使得一个染色体的一个基因发生变异，形成mutpop(t+1)； t＝t+1，一个新的群体pop(t)＝mutpop(t)，返回STEP2。 种群的选取方式每次都可能不同，在计算过程中无法预测哪一次的选择会获得好的结果，因而在某种程度上称为轮盘赌。 [例5．4]用遗传算法求maxf(x)=1- , x [0,1] 由于对连续变量求解，要解决的一个问题是如何编码，假设对解的误差要求是1/16，则可以采用4位二进制编码，对应关系为 若计算一步如表5－2。 在表5-2中，newpop只选择4个染色体，交配方法采用随机选择一对染色个体按交配位进行交叉，如 0001和0100的交配位随机选在位置2，经过交配产生0000和0101两个个体。在算法中，0001和0011的交配位随机选在位置3，经过交配产生0001和0011两个个体，这样的交配称为简单交配。交配后的染色体组成crosspop。在crosspop中可能有些染色体会产生变异，简单的变异是 crosspop中每一个基因都以同样一个概率变异。如 0101第一位的基因发生变异。变异后，得到mutpop，也就是新的群体。 简单遗传算法可以理解为： 求解的问题是极大目标函数的优化问题；采用0－l二进制编码；pop(t)中的染色体个数是一个常数；初始群体随机选取；适应函数为目标函数；按轮盘赌方法选取色体个数同pop(t)相同的种群；交配按常规交配方法——一对染色体按随机位交换后的基因，染色体中的每一个基因都以相同的概率变异。 以上只对遗传算法有一个直观的了解，但对遗传算法的应用来说，应该侧重于如下主要因素来进行研究。 （1）解的编码和解码。 （2）初始群体的选取和计算中群体的大小。 （3）适应函数的确定。 （4）三个算子。遗传算法的三个算子是：种群选取、交配和变异。 遗传算法的优越性： （1）遗传算法适合数值求解那些带有多参数、多变量、多目标和在多区域但连续性较差的NP－hard优化问题。 （2）遗传算法在求解很多组合优化问题时，不需要有很强的技巧和对问题有非常深人的了解。 （3）遗传算法同求解问题的其他启发式算法有较好的兼容性。 5.4 模拟退火算法 一、基本思想 模拟退火算法（simulated annealing algorithm，简称SAA）的思想最早是由Metropolis等于1953年提出的，1983年Kirkpatrick等将其用于组合优化。 1、原理 模拟退火算法是一种基于Mente Carlo迭代求解策略的随机寻优算法，其出发点是基于物理学中固体物质的退火过程与一般组合优化问题的相似性。 模拟退火算法是在某一初温下，结合概率突跳性的Metropolis抽样策略在解空间中随机搜索，伴随温度参数的不断下降重复抽样过程，最终寻找