粒子群PSOamp;GA.pptVIP

区别 PSO没有交叉和变异，而根据速度搜索 PSO具有记忆性。 信息共享：GA的染色体之间共享信息，整个种群比较均匀的向最有区域移动：PSO中，只有 gbest的信息传递给其他粒子，是单向信息流动，整个搜索过程是跟踪当前最优解的过程，可能更快收敛到最优解。 PSO与GA比较 算例分析 有功网损 计算时间 优化前 0.07375 遗传算法 0.07069 42.4s 粒子群算法 0.06865 15.6s IEEE30节点 发电机节点个数为6、无功补偿节点8个、有载调压变压器4台，其中每个无功补偿节点补偿设备为10组，每组补偿容量为0.01(标幺值)，有载调压变压器为19档，步长1.25%，迭代100次后的结果比较如表1所示。 基因特征值(Gene Feature)：在用串表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011 中，基因位置3中的1的基因特征值为2；基因位置1中的1的基因特征值为8。 适应度(Fitness)：每个个体对环境的适应程度叫做适应度(fitness)。为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，叫适应度函数。这个函数是计算个体在群体中被使用的概率。 GA——相关术语 确定实际问题参数 选择编码策略，把参数集合X和域转换为位串结构空间S 定义适应值函数f(X) 确定遗传策略，包括选择群体大小n，选择、交叉、变异方法，以及确定交叉概率Pc、变异概率Pm等遗传参数 随机初始化生成群体P 计算群体中个体位串解码后的适应值f(X) 按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体 判断群体性能是否满足某一指标，或者已完成预定迭代次数，满足则退出，若不满足则返回上一步骤，或者修改遗传策略后再返回上一步骤 GA——基本流程 GA——简单基本流程框图 编码：由问题空间向GA编码空间的映射 译码：由编码空间向问题空间的映射 原则： 完备性(completeness)：问题空间中的所有解都能在编码空间中被构造出来 健全性(soundness)：GA编码空间中的染色体能对应所有问题空间中某一潜在解 非冗余性(non-redundancy)：染色体和潜在解必须一一对应 GA——遗传编码 根据采用何种符号作为基因的等位基因 二进制编码（最基础） 实数编码（函数优化或约束优化领域） 整数或字母排列编码（组合优化问题） 一般数据结构编码（复杂的现实问题） 根据编码的结构 一维编码 多维编码 根据编码的内容 仅包含解 包含解和参数 GA——编码方式 将问题空间的参数表示为基于字符{0,1}构成的染色体 具有编码解码操作简单、便于实现遗传操作等优点， 但存在连续函数离散化时的映射误差、不能直接反映出所求问题特定知识等局限性。 二进制编码的改进方法有实数编码、灰度编码、符号编码等 GA——二进制编码 一维染色体编码 如：X=10010011011001001101 表示一个个体，其染色体长度为n=20。 多参数级联定点映射编码 每个参数分别进行二进制编码得到子串，每一个子串对应各自的编码参数 然后将各编码参数连成一个整体。 包括:可变染色体长度编码、二维染色体编码和树结构编码。 GA——编码方式 不可行：某个染色体解码出来的解在给定问题的可行区域之外的现象，源于约束优化问题， 修补方法：罚方法 非法性：某个染色体不能代表给定问题的解，源于编码方式，修补方法：将非法染色体转换为合法，例如：PMX算子 GA——不可行与非法性 整个算法是在解的群体上进行的，具有搜索过程的并行性、全局性和鲁棒性 群体规模越大，群体中个体的多样性越高，算法陷入局部解的危险就越小 群体规模增大，计算量也显著增加，但群体规模太小，搜索空间受限制，缺乏多样性，早熟 一般取值可在20一200之间 GA——群体设定 设定初始种群策略: 根据问题的相关知识，掌握最优解所占空间在整个问题空间的分布范围，然后根据此分布范围设定初始种群 随机生成一定数目的个体（一般为群体规模的2倍），然后从中挑选优秀个体加入初始种群。此过程不断迭代，直到初始种群中个体数达到了预先设定的规模 GA——群体设定 评价个体的优劣 适应度函数越大，个体越优秀 决定群体的进化行为 非负 GA——适应度函数 最小化问题 目标函数g(x)的倒数 最大化问题 GA——适应度函数 将当前群体中选择适应值最高的个体直接复制生成子代个体 GA——复制 从当前群体中选择适应值高的个体生成交配池的过程 适应值比例选择（轮盘赌） 将种群中所有个体适应度之和看作一个轮盘的圆周，每个体按其适应度在总和中所占比例