2013第六章续高级搜索2.pptVIP

高级搜索小结 局部搜索 模拟退火算法 遗传算法 * 桁heng2 由于遗传算法是一个随机搜索算法，程序每运行一次，得到的结果可能是不一样的。 那么遗传算法得到的解的质量是否有保证？得到最优解得可能性如何？ 收敛性定理： 如果在代的进化过程中，遗传算法每次保留到目前为止的最好解，并且算法以交配和变异为其随机化操作，则对于一个全局最优化问题，当进化代数趋于无穷时，遗传算法找到最优解的概率为1。 定理保证了只要进化的代数足够多，则遗传算法找到最优解的可能性非常大。 上次课程回顾 遗传算法 选择？ 停止准则： 特点 遗传算法的实现问题 编码 评价 适应函数 交配规则 停止条件 编码 编码：用遗传算法求解问题，首先遇到的是编码问题。 将问题的解以适合于遗传算法求解的形式进行编码，称为遗传算法的表示。 最简单的编码是二进制形式，此外还有整数编码，实数编码和树编码等。 采用什么样的编码形式与具体问题有关。 编码举例：十杆桁(Hang)架问题 100 kg 100 kg 30 30 30 A1 A2 A3 A4 A5 A6 A7 A8 A9 A10 有10个截面积分别为A1A2?A10。该桁架由左边 的墙支撑，并且它必须承受如图所示的两个负载。 每个杆上的应力必须在一个允许的范围内， 该范围由该杆的应力以约束来表示 问题是：如何设计每个杆的截面使得建造该桁架的材料总费用最小？ 假设每个杆的截面积在0.1至10之间，在该范围内，有16个可能的取值。 这样可以用4位二进制向量表示截面积的可能取值，其中0000表示0.1，1111表示10，余下的14位二进制向量表示其他的截面积的可能取值。 这样10个杆，共用40位二进制向量表示一个十杆桁架问题的染色体。例： 0010 1110 0001 0011 1011 0011 1111 0011 0011 1010 在实际求解时，群体规模N取为200，最大进化代数M为40，求解得到的十杆桁架设计方案，其材料总费用不超过已知最佳方案的1%。 编码举例：旅行商问题 对于4个城市的旅行商问题，可以用一个矩阵来表示一个可能解。下例表示BADCB 其中行表示不同城市，列表示访问顺序 如果按行展开该矩阵，则该可能解可以用一个4×4的二进制向量表示为： 0100100000010010 二进制表示存在的问题 采用这样的表示方法，对于n城市的旅行商问题，至少需要用n×n位二进制向量表示一个可能的旅行路线。 一个n×n位二进制向量，所有可能的编码个数为 ，而一个对称的n城市旅行商问题的可能解个数为n!/2，只占编码个数非常小的比例。 以n＝10为例，编码个数为可能解个数的7.0×1023倍。可能解在整个状态空间中，是非常稀疏的，交配和变异所产生的是大量的非可能解。 解决办法 对于n城市的旅行商问题，一个很自然的想法是：对城市进行编号，每个城市分别用1到n之间不同的整数表示，n个整数的一个排列就代表了旅行商问题的一个解。 这就是整数编码。 遗传算法的评价 定理4给出了当进化代数趋于无穷时，遗传算法找到最优解的概率为1。即保证了遗传算法的收敛性。但在实际计算时，希望随时了解遗传算法的进展情况，监视算法的变化趋势。 常用的方法有下列几种： （1）当前最好法，（2）在线比较法，（3）离线比较法 当前最好法 该方法在每一代进化过程中，记录得到的最好解，通过最好解的变化，了解算法的变化趋势。不同的算法之间，也可以通过该最好解的变化情况进行横向比较。 在线比较法 该方法用当前代中染色体的平均指标函数值来刻划算法的变化趋势。计算方法如下： 其中T为当前代中染色体的个数 。 离线比较法 该方法与在线比较法有些相似，但是用进化过程中每代最好解的指标函数值的平均值，来评价算法的进化过程。计算方法如下： 其中T是到目前为止的进化代数，f*(t)是第t代中，染色体的最好指标函数值。 适应函数 一般情况下，我们可以直接选取问题的指标函数作为适应函数。如求函数f(x)的最大值，就可以直接采用f(x)为适应函数。 但在有些情况下，函数f(x)在最大值附近的变化可能会非常小，以至于他们的适应值非常接近，很难区分出那个染色体占优。 在这种情况下，希望定义新的适应函数，要求该适应函数与问题的指标函数具有相同的变化趋势，但变化的速度更快。 方法1---非线性加速适应函数 其中f(x)是问题的指标函数，fmax是当前得到的最优指标函数值，M是一个充分大的数。 方法2---线性加速适应函数 上式中的第一个方程表示变换前后的平均值不变，第二个方程表示将当前的最优值放大为平均值的M倍。 二进制编码的交配规则 双亲双子法