CH3遗传算法一知识讲稿.pptVIP

遗传算法(GAs)改进 ——NGAs 、NHGAs;缺点：简单遗传算法(SGAs: Simple Genetic Algorithms)明显地存在早熟收敛的缺点，尤其是当算法搜索到全局最优解附近时，搜索过程停滞不前或进展缓慢。 ; 采用按适应值比例复制的随机选择策略时，具有高适应值的个体有更大的生存概率，当某个个体的适应值大大高于种群的平均适应值时，它在种群中的数量会急剧地增加，甚至支配整个种群。这种状态一旦产生，交叉操作难以生成新的个体，而偶尔的随机变异不能保证很快跳出这种状态，从而导致搜索过程徘徊不前，产生早熟收敛现象。; 在搜索过程的后期，绝大多数个体的适应值与种群的平均适应值接近，此时按适应值比例复制的选择压明显不足，采样误差加大，难以使种群进化过程向前推进。 虽然引入适应值函数变换机制可增加选择压，但增加了算法实现的复杂性和运行开销，也不能消除发生早熟收敛的根源。此外，由于交叉和变异的破坏作用以及选择操作的采样误差，有可能丢失父代中的最佳个体，使GAs不能收敛到全局最优解。虽然引入最佳个体保留机制可保证以GAs的全局收敛性，但无助于提高算法的收敛速度。 ; 将父代个体随机地配对进行基因重组的交叉操作可产生新的个体，增强了GAs开辟新的、可能是有用的搜索空间的能力。 但由于完全缺乏引导种群进化的指导信息，交叉操作产生的子代个体是随机的，既可能生成有利于种群进化的优秀子代个体，也可能生成比父代个体更差的个体或重新生成己淘汰的个体。因此，在整个种群中随机配对的交叉操作虽然有利于提高全局收敛的可靠性，但降低了在优良解附近进行有效搜索的局部收敛速度。 ; 运行机理分析表明，种群中个体的多样性决定了GAs的全局收敛可靠性，选择机制的选择压决定了GAs的收敛速度，而交叉操作的不确定度既影响GAs的全局收敛可靠性，又影响收敛速度。足够的个体多样性有利于改善全局收敛的可靠性，强的选择压和适当降低交叉操作的不确定度，可加快局部收敛速度。 但维持种群中个体的多样性和增加选择压是互为矛盾的两个因素，强的选择压易造成个体多样性的损失。因此，在提高选择压的同时，确保维持种群中个体的多样性；在交叉操作中引入某种引导进化的指导信息，使交叉操作不但能不断开辟新的搜索空间，而且能保证子代个体的高质量，是改进遗传算法搜索性能的关键。 ;总结分析（2）; 在自然界中，普遍地存在“人以群分，物以类聚”的小生境现象。生物总是倾向于与自己特征、性状相似的同类生物生活在一起，一般总是与同类交配并繁殖后代，这种正选型交配方式在生物遗传进化过程中具有积极的作用。 受生物学小生境现象的启发，在改善GAs全局搜索性能的设计思考中，把整个种群分解成若干个小生境 (子种群)，每个小生境由一对具有相似适应值的个体组成，小生境中的父代个体交叉操作后立即应用(2+ 2)选择机制，确定性地选择2个优良个体进入下一代。变异操作按概率进行，仅对种群中的最佳个体变异时应用(1 + 1)选择，以保证全局收敛性，对其他个体仅作随机变异，不作选择。这就是小生境遗传算法，简称为（NGAs）。 ; 将种群中2n个个体按适应值大小排序配对后，自然地形成n个由相似个体构成的小生境。小生境中的交叉操作降低了子代个体的不确定性，( 2+ 2)选择提供了最强的选择压，两种机制的共同作用可获得最快的局部搜索速度。n个小生境并行地进化，在获得最快的局部收敛速度的前提下增加了在互不相交的子空间中独立地进行搜索的概率，减少了整个种群局部收敛的可能性。随机变异和排序配对操作使NGAs在整个搜索空间中动态地构造小生境，为全局收敛提供了可靠的保证。交叉操作后的(2+ 2)选择和最佳个体变异后的(1+ 1)选择隐含了最佳个体保留机制，因此，能使NGAs收敛到全局最优解。 ; 将种群中2n个个体按适应值大小排序配对后，自然地形成n个由相似个体构成的小生境。小生境中的交叉操作降低了子代个体的不确定性，( 2+ 2)选择提供了最强的选择压，两种机制的共同作用可获得最快的局部搜索速度。n个小生境并行地进化，在获得最快的局部收敛速度的前提下增加了在互不相交的子空间中独立地进行搜索的概率，减少了整个种群局部收敛的可能性。随机变异和排序配对操作使NGAs在整个搜索空间中动态地构造小生境，为全局收敛提供了可靠的保证。交叉操作后的(2+ 2)选择和最佳个体变异后的(1+ 1)选择隐含了最佳个体保留机制，因此，能使NGAs收敛到全局最优解。 ; 一般的讲，遗传算法主要考虑用来两个过程，即搜寻和探索exploration and exploitation，以实现找到一个目标函数的最优点。 搜寻的