病毒协同进化遗传算法.pptVIP

病毒协同进化遗传算法Virus Co-Evolutionary Genetic Algorithm (VEGA)-----An Introduction----- 胡仕成 19/3/2004 报告内容 GA简介 VEGA的提出 病毒个体的编码 病毒个体的操作 病毒个体的适应度 病毒个体的参数 VEGA的算法过程 VEGA的性能评价 VEGA的算法特点 一个例子 结论# GA简介 解的编码 GA的进化操作 GA的参数 GA的性能评价# 解的编码－GA的基础 GA的进化操作－初始化(initialize) GA的进化操作－交叉 (cross) GA的进化操作－变异 (mutate) GA的进化操作－计算适应度 GA的进化操作－选择 (select) GA的参数 群体规模 POP 交叉概率 Pcross 变异概率 Pmutate GA的性能评价－和其它算法比 解的最优性(满意度) 收敛速度 达到最优值(满意值)的计算时间 达到最优值(满意值)的计算代数 模板理论 得到符合要求的阶数尽可能大的模板 VEGA的提出 GA的进化原理： 根据适应度进行选择将进化解保留到下一代 通过交叉和变异逐代获得解的进化，最终产生最优解 (满意解) VEGA的提出 GA的进化导向单一 基本上只能通过适应度来导向解的进化方向如果 f1 f2，则个体1比个体2容易保留到下一代。 但是，个体1并不一定比个体2 “优越” VEGA的提出 VEGA的提出 GA的进化操作不一定能产生进化解，甚至还有可能产生退化解 因为交叉和变异操作是随机的，和适应度无关 VEGA的提出 如何将部分“好”的基因保留并使之逐渐增长，当“好”的基因的长度=染色体长度时，就获得了最优解(绝对最优) VEGA的提出 1996,Kubota(Japanese)提出了基于virus进化理论的遗传算法VEGA virus的遗传特性： 感染能力：virus能够将自身所携带的遗传信息传递给其它个体 进化能力： virus能够从其它个体获取部分遗传信息来改变自己的遗传信息从而得以进化 VEGA的提出 VEGA的基本思想： “好” 基因的识别－病毒的适应度 “好” 基因的增长－病毒的进化操作 病毒个体的编码 病毒个体：染色体(主个体)的部分基因 病毒个体的操作－感染操作 病毒个体使主个体进化－病毒个体改变主个体的基因 (infect)，产生进化解 病毒个体的操作－复制操作 病毒个体的进化－病毒个体从主个体获取基因改变自己的基因 (copy)，病毒个体增长 病毒个体的操作－复制操作 病毒个体的初始化－通过 “无感染能力”的 病毒个体的复制操作产生新的病毒个体 病毒个体的操作－剪切操作 病毒个体的退化－病毒个体删去部分基因 (cut)，病毒个体缩短 病毒个体的适应度 病毒的感染特点：一个病毒可以感染多个个体 病毒个体的适应度 病毒个体 i 的适应度=被病毒 i 感染的那些主个体的感染后的适应度之和 - 感染前的适应度之和 病毒个体的参数 病毒的群体规模POPvirus 病毒i的感染概率 Pinfect =f(病毒i的适应度)，Pinfect ∈(Pinit_infect,Pmax _infect)， Pinfect是随着病毒适应度的变化而动态变化的，反映了病毒对主个体的感染能力的变化 病毒i的复制概率Pcopy 病毒i的剪切概率Pcut 病毒i的生命力Life= f(病毒i的适应度)，反映了病毒的生存能力，当Life0，该病毒生命结束，需要产生新的病毒 VEGA的算法过程 初始化 主群体相关参数：POP，Pcross，Pmutate 病毒群体相关参数：POPvirus， Pinit_infect， Pmax _infect， Pcopy， Pcut，等 判断算法的终止条件 GA的进化过程 交叉操作 变异操作 计算主个体适应度 选择操作 VEGA的算法过程 对每个病毒个体i执行以下VE操作 计算Pinfect(对初始病毒个体Pinfect=Pinit_infect) 以Pinfect对每个主个体执行infect操作 计算病毒个体i的适应度 根据主个体感染前后适应度的变化决定感染后的主个体是否替换感染前的主个体 根据病毒个体i的适应度决定执行概率为Pcopy的copy操作或者概率为Pcut的cut操作 计算病毒个体i的生命力Life，如果Life0，则执行概率为Pcut的cut操作产生新的病毒替换该病毒 VEGA的性能评价－和GA相比 解的最优性(满意度) 收敛速度 达到最优值(满意值)的计算时间 达到最优值(满意值)的计算代数 模板理论 得到符合要求的阶数尽可能大的模板 VEGA的算法特点 编码特点：解的进化和解集的进化相结合 GA：等长编码，一个主个体代表解空间中的一个解 VE：