智能优化方法讲解.pptVIP

交配概率 Pc 变异概率 Pm 决定了进化过程种群参加交配的染色体平均数目。 取值一般为0.4至0.99。 也可采用自适应方法调整算法运行过程中的交配概率。 增加群体进化的多样性，决定了进化过程中群体发生变异的基因平均个数。 Pm的值不宜过大。因为变异对已找到的较优解具有一定的破坏作用，如果Pm的值太大，可能会导致算法目前处于的较好的搜索状态倒退回原来较差的情况。 Pm的取值一般为0.001至0.1之间。 也可采用自适应方法调整算法运行过程中的Pm值。 R视采用的染色体编码方案而定。 对于二进制编码方法，R ={0,1}，而对于浮点数编码方法，R与优化问题定义的解每一维变量的取值范围相同。 基因取值 范围R 4.3.2 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，采用何种终止条件，跟具体问题的应用有关。 可以使算法在达到最大进化代数时停止，最大进化代数一般可设置为100~1000，根据具体问题可对该建议值作相应的修改。 也可以通过考察找到的当前最优解是否达到误差要求来控制算法的停止。 或者是算法在持续很长的一段进化时间内所找到的最优解没有得到改善时，算法可以停止。 适应值评价 影响算法对种群的选择，恰当的评估函数应该能够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。 为了更好地提高选择的效能，可以对评估函数做出一定的修正。 目前主要的评估函数修正方法有：线性变换；乘幂变换；指数变换等。 4.3.2 参数设置 4.3.3 混合遗传算法 爬山法 模拟退火算法 最速下降法 其它…… 局部搜索算法 遗传算法 4.3.3 混合遗传算法 并行组合模拟退火算法 并行模拟退火遗传算法 贪婪遗传算法 遗传比率切割算法 遗传爬山法 引入局部改善操作的混合遗传算法 免疫遗传算法 并行计算 单指令流多数据流计算机 多指令流多数据流计算机 并行计算网络 串行计算 单指令流单数据流处理器 4.3.4 并行遗传算法 并行遗传算法 标准型并行方法 分解型并行方法 标准型并行方法 分解型并行方法 子群体进化信息交换问题 分解型并行方法 交换的时间 交换的方式 交换的内容 群体模型 岛屿模型 踏脚石模型 邻居模型 图像处理和模式识别 优化与调度 机器学习 智能控制 其它…… 人工生命 自动程序设计 应用 4.4 遗传算法的应用 Company Logo 第9章 智能优化方法 Contents 遗传算法 1 蚁群优化算法 2 粒子群优化算法 3 4 遗传算法 Genetic Algorithm (GA) Contents 算法简介 1 基本流程 2 改进研究 3 相关应用 4 4.1 遗传算法简介 遗传算法是什么？ 遗传算法 （Genetic Algorithm，GA） 是进化计算的一个分支， 是一种模拟自然界生物进化过程的随机搜索算法。 遗传算法的思想来源是怎样的？ 它由谁提出的？ GA思想源于自然界“自然选择”和“优胜劣汰”的进化规律， 通过模拟生物进化中的自然选择和交配变异寻找问题的全局最优解。 它最早由美国密歇根大学教授John H. Holland提出， 现在已经广泛应用于各种工程领域的优化问题之中。 4.1.1 基本原理 遗传算法 达尔文进化论 现代遗传学 生物模拟技术 4.1.1 基本原理 生物遗传进化 群体 种群 染色体 基因 适应能力 交配 变异 进化结束 遗传算法 搜索空间的一组有效解 选择得到的新群体 可行解的编码串 染色体的一个编码单元 染色体的适应值 染色体交换部分基因得到新染色体 染色体某些基因的数值改变 算法结束 生物遗传进化过程 遗传算法 类比关系 4.1.1 基本原理 生物进化过程 遗传基因重组过程 4.1.1 基本原理 模式定理 模式 指群体中编码的某些位置具有相似结构的染色体集合 模式的定义长度 指模式中第一个具有确定取值的基因到最后一个具有确定取值的基因的距离 模式的阶 指模式中具有确定取值的基因个数 Holland的模式定理提出，遗传算法的实质是通过选择、交配和变异算子对模式进行搜索，低阶、定义长度较小且平均适应值高于群体平均适应值的模式在群体中的比例将呈指数级增长。即随着进化的不断进行，较优染色体的个数将快速增加。 4.1.1 基本原理 积木块假设 积木块 指低阶、定义长度较小且平均适应值高于群体平均适应值的模式 积木块假设认为在遗传算法运行过程中，积木块在遗传算子的影响下能够相互结合，产生新的更加优秀的积木块，最终接近全局最优解 。 4.1.2 研究进展 GA 研究内容与方向 算法性能 研究 混合算法研究 并行算法研究