专题一_遗传算法.pptVIP

* 对于n个位串的种群，总模式数的上限为 ，但一般达不到这个数量。确定位数少的模式在一个较大的种群中会有重复。为了能教准确地估计，我们选取一个恰当地种群规模 。之所以这样做，是因为我们期望确定位数≥l s /2的模式不多于一个。在一个长度为ls的模式中，确定位数l s /2的模式数和确定位数l s /2的模式数是一样多的。 * 若我们仅计算确定位数≥l s /2的模式数(确定位数少的模式重复的可能性大)，且根据n＝ l s /2的假设，可得总模式数的下限值ns为 即 将 代入，且取等号，有 即 所以在产生新的一代的过程中，遗传算法处理的模式数的数量级为O(n3)，这是遗传算法的一个重要特征。 * 尽管我们只完成了正比于种群规模n的计算量，但处理的模式数却正比于种群规模的立方。这就是遗传算法隐含的并行机制，或者说是遗传算法在计算上的并行性。 遗传算法是通过定义长度短、确定位数少、适配值高的模式反复抽样、组合来寻找最佳点的。称这些使遗传算法有效工作的模式为建筑块。 * 2.2 遗传算法实现中的 一些基本问题 在遗传算法的实现中，除了复制、交叉、变异基本操作外，还必须考虑目标函数到个体适配值的映射、适配值调整、编码原则和多参数编码映射方法等基本问题。 目标函数值到适配值形式的映射； 适配值调整； 编码原则； 多参数级联定点映射编码 * 目标函数值到适配值形式的映射； 适配值是非负的，任何情况下总希望越大越好；而目标函数值有正，有负，甚至可能是复数值，并且目标函数和适配值之间的关系也是多种多样的。 如求最大值对应点时，目标函数和适配值变化方向相同； 求最小值对应点时，变化方向恰好相反；目标函数值越小的点，适配值越大。 因此，存在目标函数值向适配值映射的问题. * 首先应保证映射后的适配值时非负的，其次目标函数的优化方向应对应于适配值的增大方向。 对最小化问题，一般采用如下适配值函数 f (x)和目标函数g(x)的映射关系： 其中cmax可以是一个输入参数，或是理论上的最大值，或是到目前所有代(或最近的k代)之中见到的g(x)的最大值，此时cmax随着代数会有变化。 * 对最大问题，一般采用下述方法： 其中cmin既可以是输入值，也可以是当前最小或最近k代中最小值。 指数函数方法： 其中c一般取1.618或2(最大化)，0.618(最小化)。这样，既保证了f(x)≥0，又使f (x)的增大方向和优化方向一致。 * 适配值调整 为了使遗传算法有效地工作，必须保证种群内位串地多样性和位串之间地竞争机制。 将遗传算法地运行分为开始、中间和结束三个阶段: 在开始阶段，若一个规模不太大的种群内有少数非凡的个体(适配值很高的位串)，按通常的选择方法(选择复制的概率 f i /∑f i，期望的复制数 )，这些个体会被大量复制，在种群中占有大的比重，这样就会减少种群的多样性，导致过早收敛，从而可能丢失一些有意义的搜索点或最优点，而进入局部最优。 * 在结束阶段，即使种群内保持了很大的多样性，但若所有或大多数个体都有很高的适配值从而种群平均适配值和最大适配值相差无几，那么平均适配值附近的个体和具有最高适配值的个体，被选中的机会相同，这样选择成了一个近乎随机的步骤，适配值的作用就会消失，从而搜索性能就得不到明显改进。 因此有必要对种群内各位串的适配值进行有效调 整，既不能相差太大，又不要拉开档次，强化位 串之间的竞争性。 * 适配值线性调整方法简介如下： 线性调整是一个有效的调整方法。设f 是原适配值， f ’是调整后的适配值， f ’ =af +b (4-8) 系数a，b可以通过多种方法选取。 不过，我们要求无论在何种情况下， f ’avg应与 f avg相等，即应满足的条件为 f ’avg= f avg f ’max=cmin· f avg (4-9) 其中， cmin是最佳种群所要求的期望拷贝数，是一个经验值，对于一个不大的种群(n=50~100)来说，可在1.2~2的范围内取值。 * 正常条件下的线性调整方法如图4-4所示： 图4-4 正常条件下的线性调整法 * 线性调整法在遗传算法的后期可能产生的一个问题是，一些个体的适配值远远小于平均适配值与最大适配值，而往往平均适配值与最大适配值又十分接近，cmin的这种选择方法将原是适配值函数伸展成负数，如图4-5所示，当无法找到一个合适的cmin时，我们仍保持f ’avg= f avg，而将f min映射到f ’min=0 * * 编码原则 遗传算法参数编码原则有两种：深层意义上的建筑块