现代优化计算方法(4).pptVIP

(2)遗 传 算 法 步 骤 STEP3 若停止规则满足，则算法停止；否则，计算概率： （*） 并以概率分布（*）从POP（t）中随机选一些染色体构成一个新的种群， newPOP(t+1)={POPj(t)| j=1,2,…N}； STEP5 以一个较小的概率P，使得一个染色体的一个基因发生变异，形成mutPOP(t+1)；t：=t+1,一个新的群体POP(t)=mutPOP(t)；返回STEP2。 STEP4 通过交配，得到一个有N个染色体的crossPOP(t+1)，交配概率为Pc； STEP1 选择问题的一个编码；给出一个有N个染色体的初始群体POP（1），t：=1； STEP2 对群体POP（t）中的每一个染色体POPi(t)计算其适应函数 fi=fitness (POPi(t))； 遗传算法的主要处理过程的解释： 首先对优化问题的解进行编码（一个解的编码称为染色体），组成编码的元素称为基因。编码的目的主要是用于优化问题的表现形式以及利于以后算法中的计算。 第二是适应函数的构造和应用。适应函数基本上依优化问题的目标函数而定。 第三是染色体的结合，双亲的遗传基因结合是通过编码之间的交配达到下一代的产生，这是一个生殖过程---产生一个新解。 第四变异。新解产生过程中可能发生基因变异，从而使某些解的编码发生变化，使解有更大的遍历性。 例：求解 f(x)=x2,0≤x≤31,x为整数的最大值 用二进制编码表示解的编码，最大x取值为31，采用5位数二进制码。 10000 11111 01001 00010 这里的5位字符串 16 31 9 2 称为染色体 每一个分量称为基因，每个基因有两种状态0和1. （模拟生物进化， 首先要产生一个群体），随机取4个染色体组成一个群体： x1=(00000), x2=(11001), x3=(01111), x4=(01000) , 群体有4个个体。 0 25 15 8 适应函数依目标函数而定：fitness(x) = f(x) = x2, 于是 fitness(x1)=0, fitness(x2)=252，fitness(x3)=152, fitness(x4)=82； 定义第i个个体入选种群的概率为： ， 所以适应函数值大的染色体个体生存概率较大。 若迭4个个体成为种群，最有可能竞争上的是x2,x3,x4，若他们结合，采用下面的简单交配，（交换第2个位置以后的基因）得到y1,y2,y3,y4。 x2=(1 1 0 0 1) y1=(1 1 1 1 1) x3=(0 1 1 1 1) y2=(0 1 0 0 1) x2=(1 1 0 0 1) y3=(1 1 0 0 0) x4=(0 1 0 0 0) y4=(0 1 0 0 1) 若y4的第一个基因发生变异，则变成y4=（11001）。 ①解的编码和解码； ②初始群体的选取和计算中群体的大小； ③适应函数的确定； ④算子: 种群选取算子 交配算子 变异算子（突变） （3）遗传算法需要研究的主要因素： ①计对简单遗传算法建立的模板理论，主要从一种结构的角度说以该算法的收敛性。该结构称为模板，在算法进化过程中，含有这种模板的个体具有较大的遗传概率。 ②类似模板退火算法的基于马氏链的理论研究遗传算法的收敛性。 （4）遗传算法收敛性研究 适合数值求解那些带有多参数、多变量、多目标和在多区域但连通性较差的NP-hard优化问题。该算法是具有普适性的数值求解方法，对目标函数性质几乎没有要求，甚至不必显式地写出，它的特点是记录一个群体，可以记录多个解，而不同于