进化算法复习.docxVIP

14题中p（x）进行了修改，于妍版本为参考书版本，新版本为老师笔记版本 12题就行了优化 和传统优化算法相比，进化算法有什么优势？ 不直接作用在问题空间，而是作用在编码后的空间(解空间) 不是单点出发，而是群体搜索，是一种全局随机搜索算法 除需知适应度函数外，无需导数或者其他辅助信息 利用概率转移规则，而非确定性规则 （具有全局搜索性，并行性，简单，应用广泛，随机迭代） 编码应该遵循的规则是什么？ 完备性（completeness）：原问题空间所有点都能成为编码后空间的点，亦任意的解都对应一个编码 健全性（soundness）：编码后的空间的点都对应原问题空间的点 非冗余性（non-redundancy）：问题空间---（一一对应）---编码后空间点 注意：这三条只是要求编码时不要漏解，也不要多表示解。以上三点是独立于问题，对提高遗传算法效率无关。 相比之下，DeJong提出的如下编码规则可操作性强，对遗传算法效率具有一定的指导意义： 有意义积木块编码规则：所有编码规则应在遗传算子作用下易于生成与所求问题相关的积木块。（把握起来十分困难） 最小字符集编码规则：所用编码应使问题能得到自然描述，而用最小的字符集。（实用） 对最大化问题，设计一种适合轮盘赌选择的适应度函数，并写出轮盘赌选择方法的步骤 适应度函数：直接选取目标函数作为适应度函数值（当目标函数恒为正），或者选择 轮盘赌选择步骤： 计算群体中每个个体被选择的概率值，即 注意到，0，且所有的和为1 计算累加概率，即 在[0,1]中产生随机数，若，则选择； 否则，若，选择 重复N次，产生N个个体 轮盘赌选择的特点是：适应度越大（即所占适应度概率越大）被选择的概率就越大 适应度函数尺度化的作用是什么？试给出在进化初期和末期尺度化函数的例子 适应度函数为正值，适应度越大，个体越好 最小化问题： 最大化问题： 适应度的尺度变化：在不同阶段，对个体适应度进行适当的扩大与缩小，来重新定义适应度函数以便避免未成熟收敛或者加快收敛。 令U：正实数到正实数上的映射，U为严格单调增加的非负函数. F’=U(F) F’:尺度变换后新的适应度函数 F:原适应度函数 进化初期：种群中可能有超级个体，通过选择，它的占有比例很大，导致算法早熟收敛。 对策：缩小个体间差距。 例子： 由于个体间差异很大，出现了超级个体X1，则采用指数尺度变化 将系数取小，取为0.005，得到尺度变化后的结果为：，缩小了个体间差异 进化后期：个体之间适应度差异不大，最佳个体和其他个体选择机会均等（使得算法无目的的随即选择） ,应当加快收敛，增大个体间差异。 对策：放大个体间差异，区分个体优劣 例子：由于差异不大，应当放大个体间差异，采用指数尺度变换，变化系数取值大一点，取为0.5，，最后得到结果为：， 可见个体间差异得到扩大。 常用的三种尺度变化： 线性尺度变化 其中，a,b为常数（或系数） 乘幂尺度变化 指数尺度变化 对TSP问题，试给出一种编码方法，并给出一种与之相适应的一种杂交算子和变异算子 编码方法1：路径表示法 路径由1~n的一个排列表示，例如：1,3,2,4,6,5,7,8，表示的路径为1-3-2-4-6-5-7-8大多数算法采用所遍历城市的顺序排列来表示个体. 交叉方法：顺序交叉 顺序交叉的步骤： 设p1和p2为参加交叉的两个个体，随即选择匹配区 将p1在匹配区外与p2匹配区内相同的数字去掉，再将p1匹配区内的数移动到最左端得到O1，同理得到O2. 将O2的匹配区添加到O1匹配区的后面，将O1匹配区的数字添加到O2匹配区后面，最终得到O1和O2 例子： 匹配区：随机选择匹配区，此例子为576和239 P1=（9,8,4 |5,7,6| 1,3,2）- O1=(5,7,6, 8,4,1)-O1=(5,7,6, 2,3,9,8,4,1) P2=（8,7,1 |2,3,9| 5,4,6）- O2=(2,3,9, 8,1,4)- O2=(2,3,9, 5,7,68,1,4) 变异算子：倒位变异??? 对个体编码串中随机选取的子串以逆转概率Pm逆向排序如下：　　A(1)，A(8)，A(5)，A(7)，A(6)，A(4)，A(2)，A(3)　　对4～6位进行倒位变异：　　A(1)，A(8)，A(5)，A(4)，A(6)，A(7)，A(2)，A(3)　　变异结束。 编码方法2：顺序表示法 假设所有城市所组成一个列表(集合)，记为w，给每个城市分配一个1~n之间的序号，将序号排列亦记为w. w=(1,2,3，…,n) 或者w=（A,B,…,N） 对于城市列表w，取w作为参考路径，假定有一个一个访问路径为，规定每访问完一个城市，即从城市列表W中删除该城市，则用第i个所访问