毕业答辩-雄性偏向的遗传算法的改进研究.pptVIP

基于性别选择中男性偏向的遗传算法改进研究 报告人： 指导老师： Chart 研究背景 机器学习的发展 随着alphaGo的发酵，机器学习越来越多地进入人们的视野，机器学习领域的各类算法也得到了发展，遗传算法则是期中较早出现并得到了较好发展与实践尝试的.一种 基本定理与工作框架 Holland教授等经研究提出了遗传算法的基本定理，建立了工作框架并论述了遗传算法的基本原理及应用，给出了一定的数学理论。随着不断发展，这一多学科结合与渗透的产物在展现其良好性能的同时也暴露出不少缺点并在不断的改善中。 生物遗传学方向的新发现 遗传算法起源于对生物系统进化所进行的计算机模拟研究，其基本原理就是基于生物遗传和进化机制。生物遗传学放心的进展无疑对遗传算法性能改良有一定的启发性。. Chart 思想引入 Chart 遗传算法基础 遗传算法是一种借助生物界自然选择和自然遗传机制的随机搜索算法 基因——解中每个分量特征个体 ——解 适应性——适应度函数 种群 ——一组解 基础理论 并行分布遗传算法 分类系统 人工生命 对可行解表示的广泛性 群体搜索特性 固有的并行性 高可扩展性 表示的不准确性 早熟问题 效率通常较低 基本用语 优点 研究方向 存在问题 Chart 1 2 3 4 基本遗传算法 简单性别遗传算法 考虑性别特征的种群划分遗传算法 基于男性偏向的遗传算法 Chart 流程与操作 在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。遗传操作包括三个基本遗传算子：选择；交叉；变异 选择(selection) 交叉(crossover) 变异(mutation) 10% 从群体中选择优胜的个体，淘汰劣质个体的操作 指把两个父代个体的部分结构加以替换重组而生成新个体的操作 变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动 Chart Chart Generalized Rastrigin’s function 算法 全局最优解 平均最好解 平均收敛代数 收敛时间 1 0 1.00159E-5 212 2.226 2 0 1.03162E-5 196 2.317 3 0 2.446E-4 293 11.209 4 0 1.42216E-5 278 9.371 n=10 算法 全局最优解 平均最好解 平均收敛代数 收敛时间 1 0 11293 3.307 2 0 5.050003508 368 3.982 3 0 5.9946E-4 936 12.692 4 0 5.1106E-4 887 9.301 n=50 Chart Generalized Griewank’s function 算法 全局最优解 平均最好解 平均收敛代数 运行时间 1 0 0.130743327 161 4.107 2 0 0.052613513 211 11.462 3 0 0.042747655 510 15.373 4 0 7.38632E-09 507 11.301 Chart Ackley’s function 有1个全局极小值点取值为0，在(0,0，……)处 测试算法的收敛率。 算法 全局最优解 平均最好解 收敛率 运行时间 1 0 11100% 6.307 2 0 5.050003508 100% 20.463 3 0 4.4409E-4 98.8% 8.880 4 0 5.1106E-5 100% 9.516 Chart Generalized Schwefel’s problem 典型的欺骗问题 有1个全局极小值点，距离另一个局部最优点很远，因此如果陷入局部最优就很难跳出 算法 全局最优解 平均最好解 收敛代数 1 -4189.8289 -3874.563342 122 2 -4189.8289 -4184.486686 352 3 -4189.8289 -4189.828873 700 4 -4189.8289 -4189.828873 701 Chart Sphere modle Chart Michalewiczs function n=10很容易得到最优解，再高后难度增加 Chart Rosenbrocks function 具有一个全局极小点f(1,1)=0，该函数虽然是单峰函数,但它却是病态的（螺旋型），难以进行全局极小化。 算法 全局最优解 平均最好解 1 0 0.0001561036 2 0 0.0030375001 3 0 04 0 0.0030376332 Chart Six-hump Camel Back function ( ) 2 2 2