进化算法和其在数值计算中应用.pptVIP

进化算法及其在数值计算中的应用;数学规划：在一些等式或不等式约束条件下，求一个目标函 数的极大（或极小）的优化模型称为数学规划。根据有、无 约束条件可以分为约束数学规划和无约束数学规划；根据目 标函数 和约束函数 是否为线性函数，分为 线性规划和非线性规划；根据问题中是否只有一个目标函数， 分为单目标规划和多目标规划。 很多非常重要的问题是线性的（或者用线性函数能够很好地 近似表示），因此线性规划的研究具有重要意义。与非线性 规划相比，线性规划的研究更加成熟。;在数学规划中，把满足所有约束条件的点 称为可行点 （或可行解），所有可行点组成的点集称为可行域，记为 于是数学规划即为求 ，并且使得 在 上达到 最大（或最小），把 称为最优点（最优解），称 为最优值。;进化计算（Evolutionary Computation，EC）受生物进化论 和遗传学等理论的启发，是一类模拟生物进化过程与机制，自 组织、自适应的对问题进行求解的人工智能技术。进化计算的 具体实现方法与形式称为进化算法（Evolutionary Algorithm， EA）。 进化算法是一种具有“生成+检测”（generate-and-test）迭代 过程的搜索算法，算法体现群体搜索和群体中个体之间信息 交换两大策略，为每个个体提供了优化的机会，使得整个群体 在优胜劣汰（survival of the fittest）的选择机制下保证进化的 趋势。 ;进化算法采用编码的形式来表示复杂结构，并将每个编码称 为一个个体（individual），算法维持一定数目的编码集合， 称为种群或群体（population）。通过对群体中个体进行相应 的操作，最终获得一些具有较高性能指标的个体。 进化算法的研究始于20世纪60年代，Holland针对机器学习问 题发展了遗传算法（genetic algorithm，GA），Fogel对于优 化模型系统提出了进化规划（evolutionary programming，EP） Rechenberg和Schwefel对于数值优化问题提出了进化策略 （evolutionary strategy，ES）。;遗传算法是一种宏观意义下的仿生算法，它模仿的机制是一 切生命与智能的产生与进化过程。遗传算法通过模拟达尔文 “优胜劣汰、适者生存”的原理，激励好的结构；通过模拟孟 德尔遗传变异理论，在迭代过程中保持已有的结构，同时寻 找更好的结构。 适应度：遗传算法中使用适应度这个概念来度量群体中的每 个个体在优化计算中可能达到或接近最优解的程度。适应度 较高的个体遗传到下一代的概率较大，而适应度较低的个体 遗传到下一代的概率相对较小。度量个体适应度的函数称为 适应度函数（Fitness Function）。 ;遗传操作是遗传算法的核心，它直接影响和决定遗传算法的 优化能力，是生物进化机理在遗传算法中的最主要体现，遗 传算法的遗传操作包括选择、变异和交叉。 选择（selection）：选择操作与生物的自然选择机制相类似 ，体现了“适者生存，优胜劣汰”的生物进化机理。根据适应 度的大小来判断个体的优良，性状优良的个体有更大的机会 被选择，产生后代。 比例选择：个体被选中的概率与其适应度大小成正比。 假设群体规模为M，个体i的适应度为 ，则个体i被选中的 概率为;交叉（crossover）：交叉操作是指对两个相互配对的染色体 按某种方式相互交换其部分基因，从而形成两个新的个体。 交叉运算是遗传算法区别于其它进化算法的重要特征，它在 遗传算法中起着关键作用，是产生新个体的主要方法，决定 了遗传算法的全局搜索能力。;变异（mutation）：变异运算是指将个体染色体编码串中的 某些基因座上的基因值用该基因座上的其它等位基因来替换 从而形成一个新的个体。变异运算只是产生新个体的辅助方 法，但也是一个必不可少的运算步骤，它决定了遗传算法的 局部搜索能力。通过变异操作可以维持群体多样性，防止出 现早熟现象，改善遗传算法的局部搜索能力。 基本位变异：对个体编码串中以变异概率随机指定的某一位 或某几位基因座上的基因值做变异运算。二进制中，把基因 值取反，即0变1，1变0。浮点数编码中对选定的第i个个体 进行逆转操作，如果浮点数变化范围是 ，则;遗传算法是一个迭代过程，它模拟生物在自然环境中的遗传 和进化机理，反复将选择算子、交叉算子、变异算子作用于 群体，最终可得到问题的最优解或近似最优解。遗传算法提 供了一种求解复杂系统优化问题的通用框架，它不依赖于问 题的领域和种类。 对于一个需要进行优化计算的实际应用问题，