遗传算法的实现和应用举例.ppt

要求 1. 遗传算法的具体实施策略不限； 2. 用MATLAB； 3. 上交内容包括：源程序和运行结果（图、表等，WORD文档），发送至shihong@bipt.edu.cn 谢 谢！ 放映结束 感谢各位观看！ 让我们共同进步 多目标优化的遗传算法 优势： 并行地处理一组可能的解； 不局限于Pareto前沿的形状和连续性，易于处理不连续的、凹形的Pareto前沿。 目前基于Pareto的遗传算法占据主要地位。 遗传算法的应用 2 解决多目标优化问题 多目标优化的遗传算法 聚合函数法： 把多个目标函数表示成一个目标函数作为遗传算法的适应函数（聚合）； 无需改动遗传算法，但权值难以确定； 改进：自适应权值。 遗传算法的应用 2 解决多目标优化问题 多目标优化的遗传算法 向量评价遗传算法（非Pareto法）： 子种群的产生根据每一个目标函数分别进行选择。 遗传算法的应用 2 解决多目标优化问题 多目标优化的遗传算法 基于排序的多目标遗传算法： 根据“Pareto最优个体”的概念对所有个体进行排序，依据这个排列次序来进行进化过程中的选择运算，从而使得排在前面的Pareto最优个体将有更多的机会遗传到下一代群体。 遗传算法的应用 2 解决多目标优化问题 多目标优化的遗传算法 小生境Pareto遗传算法： 为了保证寻优过程不收敛于可行域的某一局部， 使种群向均匀分布于Pareto前沿面的方向进化， 通过共享函数定义一小生境加以实现。 遗传算法的应用 2 解决多目标优化问题 TSP Benchmark 问题 41 94;37 84;54 67;25 62; 7 64;2 99;68 58;71 44;54 62;83 69;64 60;18 54;22 60;83 46;91 38;25 38;24 42;58 69;71 71;74 78;87 76;18 40;13 40;82 7;62 32; 58 35;45 21;41 26;44 35;4 50 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 编码：直接采用解的表示形式, 30位（30个城市）长，每位代表所经过的城市序号（无重复）； 适应度函数：个体所代表的路径距离的倒数； 选择：轮盘赌方法 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 交叉：有序交叉法 1）随机选取两个交叉点； 2）两个父个体交换中间部分； 3）替换交换后重复的城市序号。 X1: 9 8 | 4 5 6 7 1 | 3 2 0 X2: 8 7 | 1 4 0 3 2 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 3 2 0 X2’: 8 7 | 4 5 6 7 1 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 7 5 6 X2’: 8 3 | 4 5 6 7 1 | 9 0 2 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 变异：随机选择同一个个体的两个点进行交换； 初始参数： 种群规模 100 交叉概率 0.8 变异概率 0.8 终止代数 2000 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 运行结果： 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 运行结果： 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 运行结果： 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 运行结果： 遗传算法的应用 3 解决组合优化问题 TSP Benchmark 问题 运行结