进化计算.pptVIP

3.6 应用举例 人工神经网络优化 无线传感器网络优化 3.6.1人工神经网络优化 3.6.2 无线传感器网络优化 4 蚁群算法 讲到这里了 2012年12月3日 * 求解步骤 （2）系统辨识 GA用于系统辨识，也是求解最优化问题。本节讨论在假设系统（或环节）模型结构已知的情况下，由GA优化模型的参数，使准则函数最小。 将GA用于系统辨识的步骤与将GA用于函数最优化的步骤类似，不同的是对于系统辨识，GA空间S的个体位串表示的是被辨识系统模型参数估计（候补解或解）的编码。 GA用于系统辨识流程图 相关问题 举例1 求解步骤 （3）神经控制 GA训练网络权系数W Project 1 最小化问题动态寻优 要求 提供源程序（matlab代码） 提供相应的报告，报告内容包括：源代码、作图、程序流程、寻优结果、收敛曲线 作图 算法流程 流程图 收敛曲线 主要参数记录 3 粒子群算法 主要发展历史 基本原理 带惯性权重的粒子群算法 改进 实验设计与参数选择 应用举例 3.1 主要发展历史 1997年，Kennedy和eberhart提出了二进制微粒群算法 1998年，shi和erberhart在微粒群算法的速度项中引入惯性权重w 1999年，clerc在进化方程中引入了收缩因子以保证算法的收敛性。 1999年，angeline引入进化计算中的选择概念。 随后，lovbjerg等人进一步将进化计算机制应用于微粒群算法，如复制、交叉等。 2001年，lovbjerg等人将遗传算法中的子群体概念引入微粒群算法中，同时引入繁殖算子以进行子群体的信息交流。 3.2 基本原理 算法原理 流程 社会行为分析 特点 3.2.1 算法原理 也采用群体与进化的概念，同样也是依据个体（微粒/粒子）的适应度大小进行操作。所不同的是，微粒群算法不像其它进化算法那样对于个体使用进化算子，而是将每个个体看作是在n维搜索空间中的一个没有质量和体积的微粒，并在搜索空间中以一定的速度飞行。该飞行速度由个体的飞行经验和群体的飞行经验进行动态调整。 原理 从上述微粒进化方程可以看出，c1调节微粒飞向自身最好位置方向的步长，c2调节微粒向全局最好位置飞行的步长。为了减少在进化过程中微粒离开搜索空间的可能性，vij通常限定于一定范围内，即vij∈[-vmax, vmax]。如果问题的搜索空间限定在[－Xmax，Xmax]内，则可设定vmax＝kXmax，k1。 3.2.2 算法流程 3.2.3 社会行为分析 特点 共同点： 1）均采用群体概念 2）速度进化方程与实数编码遗传算法的算术交叉算子相类似。 不同点： 1）在每一代微粒群算法中的每个微粒只朝一些根据群体的经验认为是好的方向飞行 2）同时将微粒的位置和速度模型化 3）在进化过程中同时保留和利用位置和速度（即位置的变化程度）信息，其它进化类算法仅保留和利用位置的信息。 3.3 带惯性权重的微粒群算法 3.4 改进 带一般惯性因子的改进微粒群算法 基于模糊系统的惯性因子的改进微粒群算法 带有收缩因子的微粒群算法 3.4.1带一般惯性因子的改进微粒群算法 3.4.2基于模糊系统的惯性因子的改进微粒群算法 3.4.3 带有收缩因子的微粒群算法 3.5实验设计与参数选择 设计微粒群算法的基本原则 微粒群算法的设计步骤 微粒群算法的伪码描述 设计微粒群算法的基本原则 1）适用性原则。是指该算法所能适用的问题种类，这取决于算法所需的限制与假设。 2）可靠性原则。是指算法具有以适当的精度求解大多数问题的能力，即能对大多数问题提供一定精度的解。 3）收敛性原则。是指算法能否以概率1收敛到全局最优解。 4）稳定性原则。是指算法对其控制参数及问题数据的敏感程度。 5）生物类比原则。微粒群算法的设计思想源于对生物群社会行为的模拟，因此生物界中相关的进化理论、策略、方法，均可通过类比的原则，引入到算法中以提高算法性能。 微粒群算法的设计步骤 1）确定问题的表示方案（编码方案）。 2）确定优化问题的评价函数。 3）选取控制参数。 4）设计微粒的飞行模型。 5）确定算法的终止准则。 6）编程上机运行。 算法伪码表示 N－微粒群规模 P－飞行所经历的最好位置 D－微粒的多维分量的维数 G－所有微粒经过的最好位置 Lbest－P所对应的适应度 t－迭代次数 Gbest－G所对应的适应度 2.11.1交叉、变异概率的自适应调整 2.11.2高级算子 逆算子 对等交叉法 静态繁殖 本地算子 逆算子 也称倒位算子，其操作是在一个个体的长度方向上选两个切断点，两点之间的基因倒位后再接起来，成为新的个体。 经常将逆算子与交叉相结合进行操作。下图为在4567号基因座上倒位。 1 0 0 1 0 1 0 1 1 0 0 0 1 0 1 1 逆算