智能优化算法——遗传算法.ppt

鲁棒是Robust的音译，也就是健壮和强壮的意思。它是在异常和危险情况下系统生存的关键。所谓“鲁棒性”，是指控制系统在一定（结构，大小）的参数摄动下，维持其它某些性能的特性。 只 要 路 径 各点与各障 碍 物 的 最 小 距离 大于 机器 人 与障 碍物 的 安 全 半径 之 和,则机器 人 就能安 全 避 开障 碍 物,所 以 适应度 为 1,否 则为 0, 智能优化算法 --遗传算法 什么是智能优化算法？ 智能优化算法是一种启发式优化算法，通过程序来模拟自然界已知的进化方法来进行优化的方法，比如模拟生物进化的遗传算法，模拟自然选择进行筛选，逐步归向最大值，包括遗传算法、蚁群算法、禁忌搜索算法、模拟退火算法、粒子群算法等。·智能优化算法一般是针对具体问题设计相关的算法，理论要求弱，技术性强。一般，我们会把智能算法与最优化算法进行比较，相比之下，智能算法速度快，应用性强。 遗传算法（GA） 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。 遗传算法的操作算法 ( 1 ) 复制或选择算子：将父代的个体原封不动地传递到子代,在复制过程中,每个个体是按照适应度值的大小决定其能否被复制到下一代的概率,复制算子可使群体中的优秀个体数目逐渐增加,使进化过程向更优解的方向发展,反映了自然界中优胜劣汰的法则 . : （3）变异算子：复制和交叉算子只能在现有基因型的排列组合内寻找最优，而不能产生新的基因型，变异算子可使基因型发生变化，从而扩大寻优范围。 (2)交叉算子：上面的复制算子只能在现有群体中寻找最优，而不能产生与父代不同的个体，交叉算子可使同一代的某对个体间，按一定的概率交换其中的部分基因，从而产生新的基因组合，可望获得比父代更好的个体。 遗传算法优化 遗传算法具有很强的鲁棒性，而且所需的领域知识少，应用范围广泛，但它具有一个根本的缺点——过早收敛。由于遗传算法中选择及交叉等算子的作用，使得一些优秀的基因片段过早丢失，从而限制搜索范围，使得搜索只能在局部内找到最优值，而不能得到满意的全局最优值。 优化方向： 1） 对选择，交叉和变异算子的改进 2）改进控制参数；种群规模，交叉概率Pc，变异概率Pm 1 自适应参数调整 令fmax代表某一代种群中最优个体的拟合度，令F代表此代种群平均的拟合度，则 Δ= f max-F，诺Δ越小，表示种群个体拟合度差别较小，达到局部最优和过早收敛可能性越大；反之，Δ越大，个体特性分散，拟合度差别较大。Pc和Pm参数由Δ决定，且 p c = k 1 /( f max - F) ( 1) p m = k 2 /( f max - F) ( 2) 在调整过程中，当种群趋于收敛时，提高Pc和Pm，破坏当前的稳定性，克服过早收敛；当种群个体发散时，降低Pc和Pm，增加开发能力，使个体趋于收敛。但，当已收敛到全局最优时，此时误判别函数，从而使得Pc和Pm增大，最优个体遭到破坏的概率也增大，使得GA性能下降。 在克服过早收敛和避免优秀个体被破坏之间选择折衷方案： p c = k 1( f max - f′) /( f max - F) , f′≥ F (3) p c = k 3 , f′ F ( 4) p m = k 2 ( f max - f ) /( f max - F) , f ≥ F ( 5) p m = k 4 , f F ( 6) f为变异个体的拟合度，f′为两个交叉个体中拟合度大的 k1，k2，k3，k4 ≤1.0，并为常数 对于k3，k4由于此时f′ F或 f F，即个体拟合度小于平均