遗传算法讲义4_slides2.docVIP

第四章 遗传算法与函数优化 4.1 研究函数优化的必要性： 首先，很多实际问题进行数学建模后，可抽象为一个数值函数的优化问题。 其次，便于系统、规范地研究测试遗传算法地性能。 4.2 评价遗传算法性能的常用测试函数 在设计用于评价遗传算法性能的测试函数时，必须考虑实际应用问题的数学模型中所可能呈现出的各种数学特性，以及可能遇到的各种情况和影响因素。这里所说的数学特性主要包括： ●连续函数或离散函数； ●凹函数或凸函数； ●二次函数或非二次函数； ●低维函数或高维函数； ●确定性函数或随机性函数； ●单峰值函数或多峰值函数，等等。 下面是一些在评价遗传算法性能时经常用到的测试函数： De Jong函数F1： 这是一个简单的平方和函数，只有一个极小点f1(0, 0, 0)＝0。 De Jong函数F2： 这是一个二维函数，它具有一个全局极小点f2(1，1) = 0。该函数虽然是单峰值的函数，但它却是病态的，难以进行全局极小化。 De Jong函数F3： 这是一个不连续函数，对于区域内的每一个点，它都取全局极小值。 De Jong函数F4： 这是一个含有高斯噪声的4次函数，当不考虑噪声的影响时，它具有一个全局极小值f4(0，0，…，0)＝0。 De Jong函数F5： 这是一个多峰值函数，它总共有25个局部极小点，其中有一个是全局极小点，全局极小值为f5(-32，-32)＝0.998。 Shaffer函数F6： 该函数在其定义域内只具有一个全局极小点f6(0，0)＝0。 Shaffer函数F7： 该函数在其定义域内只具有一个全局极小点f7(0，0)＝0。 Goldstein-Price函数： 该函数在其定义域内只具有一个全局极小点f(0，-1)＝3。 Shubert函数： 这是一个多峰值函数，在其定义域内它总共有760个局部最小点，其中的18个点是全局最小点，全局最小值为f＝-186.731。 六峰值驼背函数（Six-hump Camel Back Function）： 该函数共有六个局部极小点，其中(-0.0898，0.7126)和(0.0898，-0.7126)为全局最小点，最小值为f(-0.0898，0.7126) ＝ f(0.0898，-0.7126) ＝ -1.031628。 带有复杂约束条件的函数(之一)： 该函数的全局最小点为：f(1，1，1，1，1，1，1，1，3，3，3，1) = -15。 带有复杂约束条件的函数(之二)： 该函数的全局最大点为：f(1，0，0) = 2.471428。 4.3 De Jong的研究结论 De Jong用来进行函数优化问题研究的研究对象是前面所介绍的De Jong测试函数F1~F5。他采用了下面的一些研究方法： 1．编码方法 用二进制编码符号串来表示个体。 2．算法的影响参数 ●群体大小M； ●交叉概率pc； 变异概率pm； 代沟G。 3．算法种类(子代群体复制策赂) ●R1：基本遗传算法(比例选择、单点交叉、基本位变异)； ●R2：保留最佳个体模型； ●R3：期望值模型； ●R4：保留最佳期望值模型； ●R5：排挤因子模型； ●R6：广义交叉模型。 群体规模对离线性能的影响（优化策略为R1，测试函数为F1）群体规模对等位基因损失的影响（优化策略为R1，测试函数为F1） 群体规模对离线性能的影响（优化策略为R1，测试函数为F1） 群体规模对等位基因损失的影响（优化策略为R1，测试函数为F1） 变异概率对等位基因损失的影响（优化策略为R1，测试函数为F1）群体规模对在线性能的影响（优化策略为R1，测试函数为F1） 变异概率对等位基因损失的影响（优化策略为R1，测试函数为F1） 群体规模对在线性能的影响（优化策略为R1，测试函数为F1） 变异概率对在线性能的影响（优化策略为R1，测试函数为F1）变异概率对离线性能的影响（优化策略为R1，测试函数为F1） 变异概率对在线性能的影响（优化策略为R1，测试函数为F1） 变异概率对离线性能的影响（优化策略为R1，测试函数为F1） 优化策略R1，R2，R3的离线性能比较（测试函数为F1）优化策略R1，R2，R3在基因损失方面的性能比较（测试函数为F1） 优化策略R1，R2，R3的离线性能比较（测试函数为F1） 优化策略R1，R2，R3在基因损失方面的性能比较（测试函数为F1） 排挤因子对离线性能的影响（优化策略为R5，测试函数为5）优化策略R1，R2，R3的在线性能比较（测试函数为F1） 排挤因子对离线性能的影响（优化策略为R5，测试函数为5） 优化策略R1，R2，R3的在线性能比较（测试函数为F1） 经过仔细分析和计算，De Jong得到了下述几条重要的结论： 结论1 群体的规模越大，遗传算法的离线性能越好，越容易收敛。 结论2 规