遗传算法与多目标优化选编.pptVIP

遗传算法简介;主要内容 1、遗传算法的原理和组成； 2、遗传算子； 3、遗传算法的实现； 4、遗传算法的数学理论； 5、遗传算法的应用。;一、遗传算法（Genetic algorithm，GA） GA的寻优机制 GA模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 ;GA的组成; 编码 ;编码示例 ;由于区间长度为3，求解结果精确到6位小数 可将自变量定义区间划分为3×10^6等份。 又因为2^21 3×10^6 2^22 ，所以本例的二进制编码长度至少需要22位。 本例的编码过程实质上是将区间[-1，2]内对应的实数值转化为一个二进制串（b21b20…b0）。;几个术语 ;初始种群 ; 适应度函数 ;选择算子;1、个体被选择概率的计算;2、轮盘赌选择方法（或 比例选择算子）;3、轮盘赌选择方法的实现步骤;交叉算子 ;单点交叉运算示例 ;变异算子 ;基本位变异算子 ;基本位变异算子的执行过程 ;运行参数 ;SGA的框图 ;遗传算法的特点 ;二、遗传算法的数学原理;模式 H 中确定位置的个数称为模式 H 的阶，记作O(H)。例如O(10**1)=3 。 模式 H 中第一个确定位置和最后一个确定位置之间的距离称为模式 H 的定义距，记作δ(H)。例如δ(10**1)=4 。;模式的阶和定义距的含义;模式定理;模式定理的含义;积木块假设 ;三、遗传算法的应用示例;Pc = 0.8; Pm = 0.05; b = 2; popSize = 30; epochs = 50;;四、多目标优化简介;二、发展简史 法国经济学家V. Pareto，1896年提出 Von. Neumann和J. Morgenstern提出多目标决策问题，1944年 T. C. Koopmans 多目标最优化问题 ，Pareto最优解概念，1951年 H. W. Kuhn和A. W. T. Tucker 向量极值问题的Pareto最优解的概念 Z. Johnsen系统地提出了关于多目标决策问题的研究报告， 1968年;1 由人来判断（非Pareto机制） 基本原则：通过加入决策者判断，缩小多目标问题有效解集的范围。 2 不由人来判断(Pareto optimality) 基本原则：多目标问题优化解的自身特性来搜索多目标问题有效解集的范围。; 加权: 由决策者决定每个目标函??不同的权重因子，将所有的目标函数整合为一个目标函数。 目标规划：由决策者确定每个目标函数所能达到的目标值，然后将这些值作为附加的约束整合进问题中，从而优化目标转换为最大或最小化目标值和目标函数值之间的绝对偏差。;四、Pareto最优解概念;Pareto最优解示意图;五、基于进化算法的求解方法;如何使用GA求解多目标规划问题;进化算法的解更新过程示意; 同时考虑最大化主产物浓度CB和最小化生产时间tf ;