遗传算法与函数优化-read.doc

第四章 遗传算法与函数优化 4.1 研究函数优化的必要性： 首先，很多实际问题进行数学建模后，可抽象为一个数值函数的优化问题。 其次，便于系统、规范地研究测试遗传算法地性能。 4.2 评价遗传算法性能的常用测试函数 在设计用于评价遗传算法性能的测试函数时，必须考虑实际应用问题的数学模型中所可能呈现出的各种数学特性，以及可能遇到的各种情况和影响因素。这里所说的数学特性主要包括： ●连续函数或离散函数； ●凹函数或凸函数； ●二次函数或非二次函数； ●低维函数或高维函数； ●确定性函数或随机性函数； ●单峰值函数或多峰值函数，等等。 下面是一些在评价遗传算法性能时经常用到的测试函数： De Jong函数F1： 这是一个简单的平方和函数，只有一个极小点f1(0, 0, 0)＝0。 De Jong函数F2： 这是一个二维函数，它具有一个全局极小点f2(1，1) = 0。该函数虽然是单峰值的函数，但它却是病态的，难以进行全局极小化。 De Jong函数F3： 这是一个不连续函数，对于区域内的每一个点，它都取全局极小值。 De Jong函数F4： 这是一个含有高斯噪声的4次函数，当不考虑噪声的影响时，它具有一个全局极小值f4(0，0，…，0)＝0。 De Jong函数F5： 这是一个多峰值函数，它总共有25个局部极小点，其中有一个是全局极小点，全局极小值为f5(-32，-32)＝0.998。 Shaffer函数F6： 该函数在其定义域内只具有一个全局极小点f6(0，0)＝0。 Shaffer函数F7： 该函数在其定义域内只具有一个全局极小点f7(0，0)＝0。 Goldstein-Price函数： 该函数在其定义域内只具有一个全局极小点f(0，-1)＝3。 Shubert函数： 这是一个多峰值函数，在其定义域内它总共有760个局部最小点，其中的18个点是全局最小点，全局最小值为f＝-186.731。 六峰值驼背函数（Six-hump Camel Back Function）： 该函数共有六个局部极小点，其中(-0.0898，0.7126)和(0.0898，-0.7126)为全局最小点，最小值为f(-0.0898，0.7126) ＝ f(0.0898，-0.7126) ＝ -1.031628。 带有复杂约束条件的函数(之一)： 该函数的全局最小点为：f(1，1，1，1，1，1，1，1，3，3，3，1) = -15。 带有复杂约束条件的函数(之二)： 该函数的全局最大点为：f(1，0，0) = 2.471428。 4.3 De Jong的研究结论 De Jong用来进行函数优化问题研究的研究对象是前面所介绍的De Jong测试函数F1~F5。他采用了下面的一些研究方法： 1．编码方法 用二进制编码符号串来表示个体。 2．算法的影响参数 ●群体大小M； ●交叉概率pc； 变异概率pm； 代沟G。 3．算法种类(子代群体复制策赂) ●R1：基本遗传算法(比例选择、单点交叉、基本位变异)； ●R2：保留最佳个体模型； ●R3：期望值模型； ●R4：保留最佳期望值模型； ●R5：排挤因子模型； ●R6：广义交叉模型。 经过仔细分析和计算，De Jong得到了下述几条重要的结论： 结论1 群体的规模越大，遗传算法的离线性能越好，越容易收敛。 结论2 规模较大的群体，遗传算法的初始在线性能较差；而规模较小的群体，遗传算法的初始在线性能较好。 结论3 虽然变异概率的增大也会增加群体的多样性，但它却降低了遗传算法的离线性能相在线性能，并且随着变异概率的增大，遗传算法的性能越来越接近于随机搜索算法的性能。 结论4 使用保留最佳个体模型或期望值模型的遗传算法比基本遗传算法的性能有明显的改进。 结论5 对于广义交叉算子，随着交叉点数的增加会降低遗传算法的在线性能和离线性能。 这些结论在遗传算法的开发研究和实际应用中具有重要的指导意义。 4.4 多目标优化 4.4.1 多目标优化问题的定义 多目标优化问题一般可描述为下面的数学模型： 式中，V-min表示向量极小化，即向量目标中的各个子目标函数都尽可能地极小化的意思。 难点：在很多情况下，各个子目标有可能是相互冲突的，一个子目标的改善有可能会引起另一个子目标性能的降低，也就是说，要同时使这多个子目标都一起达到最优值是不可能的，而只能是在它们中间进行协调和折衷处理，使各个子目标函数都尽可能地达到最优。 【定义4.4.1】：设是多目标优化模型的约束集，是多目标优化时的向量目标函数， 。 并且 则称解x1比解x2优越。 【定义4.4.2】：设是多目标优化模型的约束集，是向量目标函数，若，并且x*比X中的所有其他点都优越，则称x*是多目标极小化模型的最优解。 由该定义可知，多目标优化问题的最