遗传算法原理及其应用培训材料.pptVIP

[例] 设 -3.0 ≤ x ≤ 12.1 , 精度要求 ?=1/10000，由公式： ? Umax ? umin 2l = + 1 1/10000 12.1 + 3.0 + 1 = = 151001 即： 217 151001 218 x需要18位 {0/1} 符号表示。 如：010001001011010000 解码： x = umin + ( ? bi · 2i-1) · 1 i=l Umax ? umin 2l ? 1 = - 0.3 + 70352?(12.1+3)/(218-1) = 1.052426 ? = Umax ? umin 2l ? 1 得： 2.2.2 个体适应度评价 如前所述，要求所有个体的适应度必须为正数或零，不能是负数。 (1) 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定个体 的适应度F(X)就等于相应的目标函数值f(X)，即： F(X)＝f(X) (2) 对于求目标函数最小值的优化问题，理论上只需简单地对其增加一个负号就 可将其转化为求目标函数最大值的优化问题，即： min f(X)＝max ( - f(X)) 但实际优化问题中的目标函数值有正也有负，优化目标有求函数最大值，也有 求函数最小值，显然上面两式保证不了所有情况下个体的适应度都是非负数这个 要求，需要进行适应度函数尺度转换，将目标函数值 f(x)变换为个体的适应度F(x) 。 (3) SGA适应度函数变换常用方法： 方法一：对于求目标函数最大值的优化问题，变换方法为： 其中，Cmin为一个适当地相对比较小的数，它可用下面方法之一来选取： ? 预先指定的一个较小的数。 ? 进化到当前代为止的最小目标函数值。 ? 当前代或最近几代群体中的最小目标函数值。 方法二：对于求目标函数最小值的优化问题，变换方法为： 其中，Cmax是一个适当地相对比较大的数，它可用下面几种方法求得： ? 预先指定的一个较大的数。 ? 进化到当前代为止的最大目标函数值。 ? 当前代或最近几代群体中的最大目标函数值。 F(X) = f(X)- Cmin if f(X)-Cmin 0 0 if f(X)-Cmin ≤ 0 F(X) = Cmax - f(X) if f(X) ? Cmax 0 if f(X) ? Cmax 2.2.3 比例选择算子 指个体被选中并遗传到下一代群体中的概率与该个体的适应度大小成正比。 pi = fi / ?fi ( i=1,2,…,M ) 式中 pi——个体i被选中的概率； fi——个体i的适应度； ?fi——群体的累加适应度。 显然，个体适应度愈高，被选中的概率愈大。但是，适应度小的个体也有可 能被选中，以便增加下一代群体的多样性。 执行比例选择的手段是轮盘选择。 个体被选中的概率取决于个体的相对适应度：从统计意义讲，适应度大的个体，其刻度长，被选中的可能性大；反之，适应度小的个体被选中的可能性小，但有时也会被“破格”选中。 2.2.4 单点交叉算子 Ⅰ. 对群体中的个体进行两两随机配对。 若群体大小为M，则共有 [ M/2 ]对相互 配对的个体组。 Ⅱ. 每一对相互配对的个体，随机设置某一基因座之后的位置为交叉点。 若染色体的长度为l ，则共有(l-1)个可能的交叉点位置。 Ⅲ. 对每一对相互配对的个体，依设定的交叉概率pc在其交叉点处相互交换两个个 体的部分染色体，从而产生出两个新的个体。 单点交叉运算的示例如下所示: 单点交叉 A 00 A’ 11 B