- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
进化算法和其在数值计算中应用
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,
文档评论(0)