智能控制第章进化算法遗传算法.pptVIP

1. 编码机制的改进 灰度编码技术保证连续变量编码后的相邻Hamming距离为1。 0 0000 8 0011 1 1000 9 1011 2 1100 10 1111 3 0100 11 0111 4 0110 12 0101 5 1110 13 1101 6 1010 14 1001 7 0010 15 0001 2. 选择机制的改进 解决早熟问题。有两个途径： 一是采用全量程适应度函数定标； 二是采用改进的选择方案。 全量程适应度函数定标 线性变换 计算的准则是希望换算后的适应度最大值应该是群体平均适应度值的某一小的倍数，通常取1.5或2。 σ-截断法 其中 ：群体的平均适应度值； σ：群体适应度的标准方差； c ：一个小的常数，通常取1～3。 选择方法的改进 基于次序的选择法 竞争选择 随机余数技术 优选策略 局部替代法 稳定状态法 选择育种法 3. 交叉机制的改进 两点交叉或多点交叉 均匀交叉（是否交叉由概率决定） 父辈字符串分别为A、B： A=10110011011101 B=11011000010101 交叉后的子代为： A=11110011010101 B=10011000011101 倒置变换 对于字长为10的字符串个体 A=100｜1101｜010 随机选取两点4和8。将4与8之间的字符串进行倒置，即第7位变换到第4位、第6位变换到第5位...，生成新的个体A A=100｜1011｜010 4. 控制参数 经验性结论 增大群体规模会增加群体中个体的发散性，减少GA算法过早收敛于局部最优的可能性。但也增加了算法的计算时间。 小规模群体的GA搜索问题可以选择相对较大的交叉率和变异率，而群体规模比较大时，可以选择较小的交叉率和变异率。 5. 算法策略 动态自适应策略 根据性能指标和搜索的阶段，自适应调整控制参数，对于遗传算法的收敛，尤其对高精度最优解的搜索有着重要的作用 。 分布式GA算法和并行GA算法策略 分布式GA算法是一个群整体分解为几个弱相关的子体分别进行进化计算， 并行GA算法是对传统的串行计算方法用并行计算手段来实现。 GA的优点 GA算法的突出优点在于能够根据交互的环境中的相应情况和进化算子在没有任何最优解先验知识条件下寻找到最优解。它不同于梯度下降法那样只对一点进行优化计算而是通过对群体中的所有个体进行遗传操作达到优化的目的，因此避免了单点优化算法可能出现的局部最优问题。从而使得GA算法可以处理复杂的、高维的、多目标的优化问题。这些都是传统优化方法无法比拟的。 8.2.1 遗传学习的基本思想 8.2.2　遗传学习算法的理论基础 8.2.3　遗传学习算法的改良 8.2.4　遗传学习算法的应用 8.2 遗传学习原理与算法 8.2.4 遗传学习算法的应用 遗传学习算法能够解决许多传统的优化方法难以解决的众多问题，已经在工程优化设计、机器学习、自适应控制、鲁棒控制器设计、PID控制、模糊逻辑控制器优化、