解优化问题的遗传选编.pptVIP

遗传算法 ;遗传算法5个基本要素;;Grey编码的中间位突出了最优模式。;;;适应度函数及其尺度变换;适应度函数设计主要满足以下条件 1、单值、连续、非负 2、合理、一致性： 要求适应度反映对应解的优劣程度。 3、计算量小 适应度函数设计应尽可能简单，这样可以减少计算时间和空间上的复杂性。 4、通用性强 适应度对某类具体问题，尽可能通用。（不必需的）;遗传操作;常用的选择方法;;2、随机遍历抽样法;截断选择法;锦标赛选择法;局部选择法;;;;;交叉/基因重组;;;;;;;;实值变异;;遗传算法的改进;;常见的几种改进遗传算法有： 1、分层遗传算法 2、CHC算法 3、Messy遗传算法 4、自适应遗传算法 5、基于小生境技术的遗传算法 6、并行遗传算法 7、混合遗传算法 1）遗传算法与最速下降法相结合 2）遗传算法与模拟退火法相结合;改进遗传算法一 经证明，简单遗传算法在任何情况下都是不收敛的，即不能搜索到全局最优解；而通过改进的遗传算法，即在选择操作中保留当前最优解，则能保证收敛到全局最优解。尽管人们证明了改进的遗传算法最终都能收敛到最优解，但收敛到最优解所需的时间可能很长，另外，早熟问题是遗传算法中不可忽视的现象，其具体表现为： 1）群体中所有的个体都陷于同一极值而停止进化。 2）接近最优解的个体总是被淘汰，进化过程不收敛。;分层遗传算法;CHC算法;2、交叉 CHC算法使用的重组操作是对均匀交叉的一种改进。 当两个父个体位置相异的位数为m时，从中 随机选取m/2个位置，实行父个体位置的互换。显然，这样的操作对模式具有很强的破坏性。因此，确定一阀值，当个体间的海明距离低于该阀值，不进行交叉操作。并且，随着种群的进化，逐渐减小该阀值。 3、变异 CHC算法在进化前期不采取变异操作，当种群进化到一定的收敛时期，从优秀个体中选择一部分个体进行初始化。初始化的方法是选择一定比例的位置，随机决定他们的值。这个比例值称为扩散率，一般取0.35。;自适应遗传算法;算法思想: 对于适应度高与群体平均适应值的个体，相对应于较低的Pc和 Pm，使该解得以保护进入下一代；而低于平均适应值的个体，相对应于较高的Pc和 Pm，使该解被淘汰。 ;从上式可以看出，当适应度度值越接近最大适应度值时，交叉率和变异率就越小，当等于最大适应度值时，交叉率和变异率为零，这种调整方法对于群体处于进化后期比较合适，但对于进化初期不利，因为进化初期群体中的较优个体几乎不发生变化，容易使进化走向局部最优解的可能性增大。为此，可以作进一步的改进，使群体中最大适应度值的个体的交叉率和变异率分别为 和 。为了保证每一代的最优个体不被破坏，采用精英选择策略，使他们直接复制到下一代中。;基于小生境技术的遗传算法; 基于预选择机制的选择策略：当新产生的子代个体的适应度超过其父代个体的适应度时，所产生的子代个体才能代替其父代个体而遗传到下一代群体中，否则父代个体仍保留在下一代群体中。由于子代个体和父代个体之间编码结构的相似性，所以替换掉的只是一些编码结构相似的个体，能够有效地维持群体的多样性，并造就小生境的进化环境。 基于排挤机制的选择策略：思想起源于在一个有限的生存空间中，各种不同的生物为了能够延续生存，必须相互竞争各种有限资源。因此，在算法中设置一个排挤因子CF（CF=2或3），由群体中随机地选取N/CF个个体组成排挤成员，然后依据新产生的个体与排挤成员之间的相似性来排挤一些相似个体，随着排挤过程的进行，群体中的个体逐渐被分类，从而形成一个个小的生成环境，并维持了群体的多样性。 共享法的选择策略：通过个体之间的相似程度的共享函数来调整群体中各个个体的适应度，适应度共享函数的直接目的是将搜索空间的多个不同峰值在地理上区分开来，每一个峰值处接受一定比例数目的个体。;混合遗传算法;解决带约束的优化问题;;;;遗传算法解TSP问题;;;;;;背包问题 (knapsack problem);处理约束条件有两种方法：一种是用罚函数法改造目标函数，另一种是结合贪心算法改造染色体的解码过程。;;;二重结构编码的遗传算法;;;; 针对电动帆航天器转移轨迹优化问题，提出了一种结合高斯伪谱法、遗传算法和序列二次规划算法的混合优化方法。这种混合优化方法通过遗传算法全局寻优获得高斯伪谱法中非线性规划问题的状态变量及控制变量初值，并采用序列二次规划算法在遗传算法获得初值的基础上进一步寻优。将上述混合优化方法应用于电动帆航天器轨迹优化问题中，并以火星探测任务、谷神星探测任务和太阳系边界探测任务为例进行了数学仿真。仿真结果表明，所提出的混合优化算法能够在无任何初值猜测的情况下完成电动帆航天器飞行轨迹的优化，这一特性非常适用于缺