计量经济学遗传算法.pptVIP

（4）确定解码方法：解码时需要将20位长的二进制编码串切断为两个10位长的二进制编码串，然后分别将它们转换为对应的十进制整数代码，分别记为y1和y2。 依据个体编码方法和对定义域的离散化方法可知，将代码y转换为变量x的解码公式为 例如，对个体 它由两个代码所组成 上述两个代码经过解码后，可得到两个实际的值 （5）确定个体评价方法：由于Rosenbrock函数的值域总是非负的，并且优化目标是求函数的最大值，故可将个体的适应度直接取为对应的目标函数值，即 选个体适应度的倒数作为目标函数 （6）设计遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。 （7）确定遗传算法的运行参数：群体大小M=80，终止进化代数G=100，交叉概率Pc=0.60，变异概率Pm=0.10。 上述七个步骤构成了用于求函数极大值的优化计算基本遗传算法。 采用上述方法进行仿真，经过100步迭代，最佳样本为 即当 时，Rosenbrock函数具有极大值，极大值为3905.9。 遗传算法的优化过程是目标函数J和适应度函数F的变化过程。 由仿真结果可知，随着进化过程的进行，群体中适应度较低的一些个体被逐渐淘汰掉，而适应度较高的一些个体会越来越多，并且它们都集中在所求问题的最优点附近，从而搜索到问题的最优解。 5.2 实数编码遗传算法求函数极大值 求解该问题遗传算法的构造过程： （1）确定决策变量和约束条件； （2）建立优化模型； （3）确定编码方法：用2个实数分别表示两个决策变量，分别将的定义域离散化为从离散点-2.048到离散点2.048的Size个实数。 （4）确定个体评价方法： 个体的适应度直接取为对应的目标函数值，即 选个体适应度的倒数作为目标函数 （5）设计遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。 （6）确定遗传算法的运行参数：群体大小M=500，终止进化代数G=200，交叉概率Pc=0.90，采用自适应变异概率 即变异概率与适应度有关，适应度越小，变异概率越大。 上述六个步骤构成了用于求函数Rosenbrock极大值的优化计算的实数编码遗传算法。 十进制编码求函数Rosenbrock极大值。仿真程序见chap10_2.m。 仿真程序经过200步迭代，最佳样本为 即当 ， 时，函数具有极大值，极大值为3880.3。 六、 基于遗传算法优化的RBF网络逼近 6.1 遗传算法优化原理 在7.3节的RBF网络逼近算法中，网络权值、高斯函数的中心矢量和基宽向量的初值难以确定，如果这些参数选择不当，会造成逼近精度的下降甚至RBF网络的发散。采用遗传算法可实现RBF网络参数的优化。 为获取满意的逼近精度，采用误差绝对值指标作为参数选择的最小目标函数。 式中， 为逼近的总步骤， 为第 步RBF网络的逼近误差。 在应用遗传算法时，为了避免参数选取范围过大，可以先按经验选取一组参数，然后再在这组参数的周围利用遗传算法进行设计，从而大大减少初始寻优的盲目性，节约计算量。 6.2 仿真实例 使用RBF网络逼近下列对象： 在RBF网络中，网络输入信号为2个，即 和 ，网络初始权值及高斯函数参数初始值通过遗传算法优化而得。 遗传算法优化程序为chap10_3a.m，取逼近总步骤为，每一步的逼近误差由chap10_3b.m求得。采用二进制编码方式，用长度为10位的二进制编码串来分别表示向量b、c和w中的每个值。 遗传算法优化中，取样本个数为Size=30，交叉概率为Pc=0.60，采用自适应变异概率，即适应度越小，变异概率越大，取变异概率为 取用于优化的RBF网络结构为2-3-1，网络权值wj的取值范围为[-1,+1]，高斯函数基宽向量的取值范围为[0.1,3.0]，高斯函数中心矢量的取值范围为[-3,+3]。取 则共有12个参数需要优化。 经过150代遗传算法进化，优化后的结果为： p=[2.7732，2.6343，2.2630，1.8680，-0.0616，-0.7126，-0.3959，2.2669， -1.4047，-0.3099，0.7478，-0.3353]。