遗传模拟退火算法研究报告.pptVIP

遗传模拟退火算法及其应用 前言 特征优化不同于特征提取，它是组合优化的过程； 组合优化问题中存在大量的NP-完备问题，尚无有效的确定性最优化算法，因此我们把目光转移到启发式算法和随机模拟技术； 特征优化算法——遗传算法和模拟退火算法。 遗传算法 基本思想： 基于进化论和遗传说，借鉴自然选择和自然进化过程的原理，模拟生物在自然界的进化过程形成的一种优化求解方法。 遗传算法 现代启发性算法： ?从任一解出发 ?按某种机制以一定的概率探索； ?在整个求解空间内探索以保证全局最优。 遗传算法 搜索机制： 模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选码，并按某种指标在解群中选出较优的个体，利用遗传算子（选择、交叉和变异）对这些个体进行组合，产生新一代候选发，重复此过程，直到满足某种收敛指标为止。 遗传算法的组成 ? 编码； ? 适应度函数； ? 运行参数； ? 遗传算子。 编码 将问题的解用一种码来表示，从而将问题的状态空间与码空间相对应； 编码原则： ?编码方案要易于产生与所求问题相关的、低阶的且短定 义长度模式的； ?编码方案应能使问题得到自然表示或描述，且有最小编码字符集； 常用编码技术：二进制、十进制、实属编码等。 适应度函数 搜索的唯一依据，描述每个个体的适宜程度，用其对个体进行评估，定出优劣程度； 优化问题，适应度函数是目标函数的某种表示形式； 设计要结合求解问题本身。 运行参数 ? 编码串长度l； ? 种群规模M； ? 交叉概率 ； ? 变异概率 ； ? 终止代数T。 遗传算子 ? 选择算子； 如：比例选择、最有保存策略、无会放随机选择、随机联赛选择等。 ? 交叉算子； 如：单点交叉、双点交叉、算数交叉等。 ? 变异算子； 基因位变异、均匀变异、边界变异等。 选择算子（比例算子） 从种群中选择优胜个体，淘汰劣质个体的操作。 思想：各个个体被选中的概率与其适应度函数值大小成正比。 设种群大小n，个体i的适应度为Fi，则i被选中遗传到下一代的概率为 选择算子（比例算子） 比例选择实现步骤： ? 计算中群众所有个体适应度函数值； ? 利用公式（1），计算每个个体被遗传到以一代的概率； ? 生成0到1之间的随机数与每个被遗传到下一代的概率进行匹配，确定是否被遗传到下一代。 交叉算子 用其作用于个体，是配对的两个个体交换部分基因，产生新个体。 二进制编码通常采用单点和多点交叉。 eg： 单点交叉 交叉点 交叉前：00000/01110000000010000 11100/00000111111000101 交叉后：11100/01110000000010000 00000/00000111111000101 变异算子 产生新个体的辅助方法，改善局部搜索能力，维持种群多样性，防止早熟。 交叉保证全局最优，变异决定局部搜索能力。 eg：基因为突变 变异点 变异前：000001110000000010000 变异后：000001110001000010000 基于遗传算法的框图 模拟退火算法 退火过程：将固体温度加热到足够高，再徐徐冷却。 目的：加温时为了消除物质内部可能存在的不均匀状态，通过时时处于热平衡状态的等温降温过程，最后达到基态。 说明：假设物质在固态是有N种基本内部结构状态，在温度T热平衡状态下，物质内部所处的结构状态概率服从波尔兹曼分布。 退火算法依据 Metropolis准则： 说明： （1）k为波尔兹曼常数； （2）当前状态i产生的新状态为j，两者的能量分别为Ei和Ej； Metropolis准则 （3）若EjEi，则接受j为当前状态； 若Pr大小在[0,1)区间内的随机数，则接受j为 当前状态； 否则，保留i为当前状态； （4）将优化问题的目标函数等效为能量函数E。 模拟退火算法步骤 开始 生成初始状态 参数初始化 生成下一相邻状态 根据Metropolis准则判断是否接受新状态 记录当前最优状态及目标函数值 达到热平衡 降温，选择新温度下初始状态 停止 输出最优状态 及目标函数值 否 是 是 否 是 否 模拟退火算法 说明： （1）生成初始状态： 模拟遍历性的马尔科夫过程，价值初始温度足够高，因此初始状态没有特殊要求。 （2）参数初始化：