遗传算法原理及其应用修改培训材料.pptVIP

4 遗传算法的应用 遗传算法在交通中的应用 解决带约束的函数优化问题 交通规划 解决多目标优化问题 交通信号控制 解决组合优化问题(TSP问题) TSP问题 遗传算法在过程建模中的应用 BP、模糊等参数优化 在模式识别中的应用 图像处理 1 解决带约束的函数优化问题 约束最优化问题（Constrained Optimization Problems）的表述 多目标优化问题 遗传算法在过程建模中的应用 优化神经网络的权值 神经网络建模： x1 输出层 隐藏层 输入层 x2 y xn … … … … 用遗传算法进行特征提取 目的：从可能的m个特征中依据某个评价标准选出d个特征（md）； 遗传算法在模式识别中的应用 TSP Benchmark 问题 41 94;37 84;54 67;25 62; 7 64;2 99;68 58;71 44;54 62;83 69;64 60;18 54;22 60;83 46;91 38;25 38;24 42;58 69;71 71;74 78;87 76;18 40;13 40;82 7;62 32; 58 35;45 21;41 26;44 35;4 50 解决组合优化问题 TSP Benchmark 问题 编码：直接采用解的表示形式，30位（30个城市）长，每位代表所经过的城市序号（无重复）； 适应度函数：个体所代表的路径距离的倒数； 选择：轮盘赌方法 TSP Benchmark 问题 交叉：有序交叉法 1）随机选取两个交叉点； 2）两个父个体交换中间部分； 3）替换交换后重复的城市序号。 X1: 9 8 | 4 5 6 7 1 | 3 2 0 X2: 8 7 | 1 4 0 3 2 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 3 2 0 X2’: 8 7 | 4 5 6 7 1 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 7 5 6 X2’: 8 3 | 4 5 6 7 1 | 9 0 2 [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，C