分布式估计算法讲解.pptVIP

算法设计与分析 分布式估计算法 主要知识点： 1 、传统遗传算法 2 、分布式估计算法与传统遗传算法的区别 3 、分布式估计算法应用举例 4、分布式估计算法的分类 5、分布式估计算法的理论基础 1、传统遗传算法 1. 个体与种群 ● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。 ● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。 2. 适应度与适应度函数 ● 适应度(fitness)就是借鉴生物个体对环境的 适应程度,而对问题中的个体对象所设计的 表征其优劣的一种测度。 ● 适应度函数(fitness function)就是问题中的 全体个体与其适应度之间的一个对应关系。 它一般是一个实值函数。该函数就是遗传算 法中指导搜索的评价函数。 变异 就是改变染色体某个(些)位上的基因。 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 步5 按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1； 步6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2； 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361 再计算种群S1中各个体的选择概率。 ● 赌轮选择法 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） 2、分布式估计算法与传统遗传算法的区别 分布式估计算法是一种全新的进化模式，没有传统遗传算法的交叉和变异操作，取而代之的是概率模型的学习和采样。 分布式估计算法通过一个概率模型描述候选解在空间的分布，采用统计学习的手段从宏观上建立一个描述解分布的概率模型，然后对概率模型进行随机采样产生新的种群，如此反复进行，实现种群的进化，直到终止条件。 根据概率模型的复杂程度以及不同的采样方法，分布式估计算法发展了很多不同的具体实现方法，但是都可以归纳为下面两个主要步骤： 1）、构建描述解空间的概率模型。通过对种群的评估，选择优秀的个体集合，然后采样统计学习等手段构造一个描述当前解集的概率模型 2）、由概率模型随机采样产生新的种群。一般的，采用蒙特卡罗方法，对概率模型采样得到新的种群。 3 、分布式估计算法应用举例 下面通过一个简单的EDA算例，介绍该方法独特的进化操作，使读者对EDA方法有一个直观的认识. 分布式估计和传统遗传算法的对比 4、分布式估计算法的分类 变量无关 双变量相关 多变量相关 4.1、变量无关的分布式估计算法 最简单，假设各变量之间是独立的，那么任意解的概率可以表示为： PBIL方法 算法伪代码 应用例子 旅行推销员问题（又称为旅行商问题、TSP问题）是一个多局部最优的最优化问题：有n个