机器学习课件P3 遗传算法EB.pptVIP

作业 查阅遗传算法的有关文献，就遗传算法的改进方法写一篇4000字左右的综述性论文。 Tournament Selection 5.3 Recombination(Crossover) Discrete Recombination Can be applied to all variable representations. Discrete Recombination Discrete Recombination individual 1 12 25 5 individual 2 123 4 34 sample 1 2 2 1 sample 2 1 2 1 offspring 1 123 4 5 offspring 2 12 4 5 Intermediate Recombination Intermediate Recombination Intermediate Recombination Intermediate Recombination individual 1 12 25 5 individual 2 123 4 34 sample 1 0.5 1.1 -0.1 sample 2 0.1 0.8 0.5 offspring 1 67.5 1.9 2.1 offspring 2 23.1 8.2 19.5 Line Recombination Line Recombination Single-point Rrossover Multi-point crossover Multi-point Crossover C1: 1011|0001|100 C2: 0010|1101|001 C1’: 1011|1101|100 C2’: 0010|0001|001 Uniform Crossover 掩码交换 父辈1 父辈2 模板（M）子辈1 子辈2 5.4 Mutation Real valued mutation Binary mutation Breeder Genetic Algorithm Breeder Genetic Algorithm 5.5 微种群算法 SGA种群规模大30~200 种群小 计算简单、速度快、易陷入局部最优 随机产生小种群，实施精英选择策略 微种群算法 随机选择规模为5的种群；或4个是随机选择，1个来自前一次搜索。 计算适应度并确定最好的串，将其标记为5，直接传到下一代。 按确定性竞赛选择策略选择其余的4个串进行复制（5选4），同时应避免下一代中同一串有两个复制品。 按概率1进行交叉运算，变异概率为零。 检验收敛条件。如果收敛转步骤1；否则转步骤2。 微种群算法 收敛条件 最大适应度个体与其他4个个体的基因差异率是否低于设定值（5%） 微种群算法在进化过程中，以合理的间隔，通过“启动-再启动”过程，不断引入恒定数目的新种群，寻求好的个体，避免早熟且收敛速度快。 微种群算法与标准遗传算法比较 5.6 双种群算法 DGA 全局种群 寻找可能存在最优点的区域 局部种群 在全局总群划定的区域仔细搜索，寻找最优点 DGA Step1 初始化，随机生成全局总群Gglobal，设定局部最优值 DGA Step2 全局总群搜索最优点与最优值 DGA Step4 局部搜索。 在局部种群搜索中心宽度为w的范围内随机产生初始种群Glocal； 遗传搜索，得到当前最优点xlopt与最优值Vlopt。 DGA Step5 如果Vopt满足条件，或算法满足条件结束； 否则，返回step2。 DGA Step3 如果VgoptVlopt，局部种群搜索中心修改xlocal=xgloba；局部种群搜索中心不变。 TSP问题-变异 TSP问题-交叉 TSP问题-交叉 Inputs: Chromosomes ga = (D, H, B, A, C, F, G, E) gb = (B, C, D, G, H, F, E, A). Outputs: The offspring g = (H, B, A, C, D, G, F, E) 7 遗传算