差分進化算法.pptVIP

差分进化算法;;单击增加标题内容;单击增加标题内容;3;1.3 遗传算法应用举例 ;　　解 　　(1) 定义适应度函数,编码染色体。由上面的分析,函数f(x)=x2就可作为空间U上的适应度函数。显然y=x2是一个单调增函数,其取最大值的点x=31是个整数。另一方面, 5位二进制数也刚好能表示区间［0, 31］中的全部整数。所以, 我们就仅取［0,31］中的整数来作为参加进化的个体,并且用5位二进制数作为个体x的基因型编码, 即染色体。 　　(2) 设定种群规模, 产生初始种群。我们将种群规模设定为4,取染色体s1=01101(13),s2=11000(24),s3=01000(8), s4=10011(19)组成初始种群S1。 ;　　(3) 计算各代种群中的各染色体的适应度, 并进行遗传操作,直到适应度最高的染色体(该问题中显然为“11111”=31)出现为止。  　　计算S1中各染色体的适应度、选择概率、积累概率等并列于表4.1中。 ;表1.3.1 第一代种群S1中各染色体的情况 ;选择-复制 　设从区间［0, 1］中产生4个随机数如下: ;　交叉 设交叉率pc=100%，即S1中的全体染色体都参加交叉运算。设s1’与s2’配对，s2’与s4’配对。分别交换后两位基因，得新染色体： s1’’=11001（25）, s2’’=01100（12）, s3’’=11011（27）, s4’’=10000（16） 　变异 设变异率pm=0.001。这样，群体S1中共有540.001=0.02位基因可以变异。0.02位显然不足1位，所以本轮遗传操作不做变异。 　现在，我们得到了第二代种群S2： s1=11001（25）, s2=01100（12）, s3=11011（27）, s4=10000（16）;表 1.3.2 第二代种群S2中各染色体的情况 ;　　假设这一轮选择-复制操作中，种群S2中的4个染色体都被选中（因为选择概率毕竟只是一种几率，所以4个染色体恰好都被选中的情况是存在的），我们得到群体： ;表1.3.3 第三代种群S4中各染色体的情况 ;设这一轮的选择-复制结果为： ;; 它是由Storn等人于1995年提出的，和其它演化算法一样，DE是一种模拟生物进化的随机模型，通过反复迭代，使得那些适应环境的个体被保存了下来。但相比于进化算法，DE保留了基于种群的全局搜索策略，采用实数编码、基于差分的简单变异操作和一对一的竞争生存策略，降低了遗传操作的复杂性。同时，DE特有的记忆能力使其可以动态跟踪当前的???索情况，以调整其搜索策略，具有较强的全局收敛能力和鲁棒性，且不需要借助问题的特征信息，适于求解一些利用常规的数学规划方法所无法求解的复杂环境中的优化问题。;变异(Mutation);;根据实际问题进行编码;2.2标准DE流程图;;;;;(4) 选择操作;Evaluation only. Created with Aspose.Slides for .NET 3.5 Client Profile 5.2.0.0. Copyright 2004-2011 Aspose Pty Ltd.;Differential Evolution;;;;;DE的研究点;