电磁仿真算法相关 1.pptVIP

遗传算法的产生 50，60年代 Holland 提出遗传算法 60年代中期 Holland的学生J.D.Bagley 提出“遗传算法” 一词 70年代 Holland 模式定理 《 Adaptation in Natural and Artificial Systems》发表 Holland的学生De Jong 将遗传算法用于最优化问题 Grefenstette 开发了第一个遗传算法软件 遗传算法流程图 开始 随机初始化种群P(0),t?0 计算P(0)中每个个体的适应值 终止? 杂交 计算P(t)中每个个体的适应值 变异 择优生成新种群（选择） t?t+1 输出t代优良品种 输出最优个体 结束 优点：全局性好(由变异和杂交保证)； 缺点：收敛性相对差。 碰到过的一个需要注意的问题是：随机数如果不好的话，寻优效果会受影响！ 重点在于“选择”！！ 遗传算法： 遗传算法的基本运算过程如下： 　　1)初始化：生成初始种群P（t=0） 　　2)个体评价：计算群体P(t=0)中各个个体的适应度（可以理解为测“智商”。。。。。。此处相当重要！） 　　3)杂交：让每个存活个体进行“基因互换”。 　　4)变异：对新的个体的部分基因进行变异，使得允许产生新的组合。（此时随机数很重要） 5)选择:将“智商”低下的一部分个体淘汰掉（此处可以有很多微调）。 　　　　群体P(t=0)经过淘汰、交配、变异之后得到下一代群体P(t =1)，种群数目可以有改动。 　　6)继续从第二步开始循环。 　　7)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算（也可以选定当整体智商达到一定水平或者是最高智商超过某个水平时停止）。 优点：全局性好； 缺点：收敛性相对差。 一句话帮助理解：纯仿生学算法。。。想想中学的生物课，对应着梳理。 碰到过的一个问题是：随机数如果不好的话，寻优效果会受影响！ 遗传算法的循环过程 遗传算法的应用领域 个人认为，只要能够有好的“评价函数”，择优问题多可以用遗传算法尝试！ 遗传算法的应用领域 遗传算法的应用领域 遗传算法的应用领域 遗传算法的应用领域 遗传算法的应用领域 遗传算法的应用领域 下山单纯形（ Nelder-Mead 单纯形） 一句话帮助理解：下山单纯形就是用一个多维度的可变图形来在定义域上不断地扩张收缩，以此来找到最优值。 优点：收敛快速 缺点：全局性差。 算法大致流程： 1）首先在定义域内取三个点，按照结果好坏依次记为B，N，W。 2）扩张：取点E=P+0.5（B-W），然后评估E： 如果E好于W，则用EBN构成新的点继续扩张； 如果E差于W，则改为收缩； 3）收缩：E=B-0.5(B-W)，然后评估E： 如果E好于W，则用EBN构成新的点继续扩张； 如果E差于W，则改为收缩； 多次扩张收缩，就可以找到最优值。 此处的单纯形的缺点是步长固定，所以效率低下，可以将每一步的扩张和收缩改进为动态的，比如说，如果第一次扩张成功，那么可以跨一大步，如果失败，则跨一小步。。。优化的具体方式很多，这都可以提高效率！ 无约束条件下的单纯形 做过一个案例：需要用四个Lorentz-coupling型来描述一些材料的数值色散，共有28个变量变量，而定义域都是从0-∞，所以必须用寻优算法来处理。 算法最有意思的地方就是，基本原理大家都一样，但是每个人做出来的东西可能会有较大差别，细节的优化可以有很大的区别的哦！ 上图是结合了遗传算法和单纯形一起寻优；先用利用遗传算法的全局性找出最优解的一个区间范围，然后用单纯形加速收敛 一些理论数据与通过遗传算法和单纯形结合寻优来找到的最优解的对比： 不管多“奇怪”的数据，吻合度都很不错，也就是说寻优结果是很成功的！ 评价函数对结果至关重要！！ 时间序列分析： 原理： 事件的发展通常都具有一定的惯性，这种惯性用统 计的语言来描述就是序列值之间存在着一定的相关 关系，这种相关关系通常具有某种统计规律。 这个处理本应要考虑很多，比方说数据的稳定性判定等。我主要是自学，所以做得比较粗糙，感兴趣的朋友做的话应该要小心细化处理。。。 步骤如下： 1）首先选定时间序列的自相关的阶数P； 2）接着计算时间序列的自相关函数，即每个时间点的值与前面的1-P个时间段的信号各自的相关程度。 3）将已知信号按照相关性叠加起来，得到已知数据外的下一个值，然后依次递推下去。。。 附上此处自相关函数的定义（不同领域定义不同）：