智能计算_文化算法.pptxVIP

文化算法 算法发展 1991 Dorigo 蚁群优化方法 1995 Eber-hart和Kennedy粒子群算法 60年代 Holland遗传算法 Rechenberg 和 Schwefel进化策略 Fogel 进化规划 90年代初Koza 遗传规划 借助生物进化的思想和原理来解决实际问题 算法发展 促进生物进化的不仅仅局限在基因与选择这一层面，许多情况表明，文化能使种群以一定的速度进化和适应环境，而这种速度是超越单纯依靠基因遗传生物进化速度的。 1994 Robert G Reynolds 提出双层进化机制，文化作为一种将种群的经验保存在知识库中，供后代学习。---文化算法 文化算法 文化算法：种群空间和信仰空间。 包括三大元素：种群空间、信仰空间和通信协议。 种群空间模拟生物个体根据一定的行为准则进化的过程，信仰空间模拟文化的形成、传递和比较的进化过程。 种群空间和信仰空间相对独立，但是又相互影响相互促进，两个空间根据通信协议相互联系 信仰空间对进化信息进行有效提取和管理，用于指导种群空间的进化。 文化算法框架 信仰空间 Belief Space 群体空间 Population Space influence() accept() update() select() objective() Communication Protocol 如上图所示，种群空间与信仰空间是通过一组由接受函数accept()和影响函数influence()组成的通信协议联系在一起。 种群空间的个体在进化过程中,形成个体经验,通过accept()函数将个体经验传递到信仰空间 influence()函数能够利用经验知识来指导种群空间的进化,以使种群空间得到更高的进化效率 在一个文化体系中,存在着多种类型的知识,其中规范知识(Normative Knowledge)和形势知识(Situational Knowledge)被认为是最主要的。 规范知识为个体提供行为准则和指导原则,而形势知识为个体提供学习榜样。它们都可以为种群的进化提供指导信息。 群体空间中的objective()函数是目标函数(适应度函数),其作用是用来评价种群空间中个体适应值。 select()函数根据规则从新生成个体中选择一部分个体作为下代个体的父辈。 开始 用适应度函数objective() 评价种群个体（p个） accept()根据适应度排序选取比例s的个体p1 根据p1初始化信仰空间 信仰空间通过influence()促进种群的进化繁殖下一代 ，此时种群规模2p select()从2p中选择p个个体 根据p1个体w值大于阀值 信仰空间是否为空 结束 是否达到迭代次数 是 否 否 是 Update更新信仰空间 算法实现 1.初始化种群空间在定义域内随机生成一个N维实数向量,这样就在种群空间中产生了一个个体，重复以上的步骤p次,产生种群规模为p的初始种群空间。 2.通过适应度函数,对种群空间中的个体进行评价。 3.根据给定的取值范围和初始种群空间中的候选解,按照信仰空间结构,生成初始信仰空间。 4.根据影响函数influence(),对种群空间中的每个父个体进行变异,生成p个相应子个体。 算法实现 5.对于由子个体和父个体共同组成的规模为2p的种群空间中每个个体。从该种群空间中随机选取c个个体与它进行比较，如果该个体优于与之比较的个体,则称该个体取得一次胜利,并记录每个个体的胜利次数。选择前p个具有最多胜利次数的个体作为下一代的父个体。 6.设定接受函数accept(),并更新信仰空间。 7.如果不满足终止条件,则重复4,反之,则结束。 接受函数 固定比率接受 函数 该接受函数在整个进化过程中，以一个固定 比率p%提取种群空间中的较优个体 ，即 accept()=p%*N 信仰空间 信仰空间定义为S,N[n] 。 S表示形式知识 表示最优个体集合 表示t代最优个体， m为最优个体集合的规模。 标准知识N是n个主变量参数的变化区间，第j个参数表示为： 表示参数j定义域边界的值 表示参数j区间下限 对应的目标函数的适应值。 表示参数j区间上限 对应的目标函数的适应值。 信仰空间定义为S,N[n] 。 S表示形式知识 表示最优个体集合 表示t代最优个体， m为最优个体集合的规模。 标准知识N是n个主变量参数的变化区间，第j个参数表示为： 表示参数j定义域边界的值 表示参数j区间下限 对应的目标函数的适应值。 表示参数j区间上限 对应的目标函数的适应值。 形势知识更新规则 其中, 表示第