第四章_遗传算法与函数优化.pptVIP

4.4.2 求解多目标优化问题的遗传算法 3．排序选择法 基本思想是：基于“Pareto最优个体”的概念来对群体中的各个个体进行排序，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中。如此这样经过一定代数的循环之后，最终就可求出多目标优化问题的Pareto最优解。 这里所谓的Pareto最优个体，是指群体中的这样一个或一些个体，群体中的其他个体都不比它或它们更优越。需要说明的是，在群体进化过程中所产生的Pareto最优个体并不一定就对应于多目标优化问题的Pareto最优解。当然，当遗传算法运行结束时，我们需要取排在前面的几个Pareto最优个体，以它们所对应的解来作为多目标优化问题的Pareto最优解。 4.4.2 求解多目标优化问题的遗传算法 对群体中的所有个体进行Pareto最优个体排序的算法是： 算法Pareto Individual ①设置初始序号r = 1。 ②求出群体中的Pareto最优个体，定义这些个体的序号为r ③从群体中去掉Pareto最优个体．并更改序号r = r+1。 ④转到第②步，直到处理完群体中的所有个体。 ? 排序选择法仅仅度量了各个个体之间的优越次序，而未度量各个个体的分散程度，所以它易于生很多个相似的Pareto最优解，而难于生成分布较广的Pareto最优解。 4.4.2 求解多目标优化问题的遗传算法 4．共享函数法 求解多目标优化问题时，一般希望所得到的解能够尽可能地分散在整个Pareto最优解集合内，而不是集中在其Pareto最优解集合内的某一个较小的区域上。为达到这个要求，可以利用小生境遗传算法来求解多目标优化问题。这种求解多目标优化问题的方法称为共享函数法，它将共享函数的概念引入求解多目标优化问题的遗传算法中。 在利用通常的遗传算法求解最优化问题时，算法并未限制相同个体或类似个体的数量。但当在遗传算法中引入小生境技术之后，算法对它们的数量就要加以限制，以便能够产生出种类较多的不同的最优解。 4.4.2 求解多目标优化问题的遗传算法 算法Tournament Sharing Selection ①从群体中随机选取k个个体组成个体比较集合C，其中k是预先指定的一个表示比较集合规模的常数。 ⑦从群体中随机选择2个个体组成个体联赛集合T。 ③分别比较个体联赛集合T中的2个个体与个体比较集合C中各个个体之间的优越关系，根据这个比较结果，按下述方法从个体联赛集合T中选择出一个个体遗传到下一代群体中。 —如果集合T中的一个个体(记为X)比集合C中的所有个体都优越，而集合T中的另一个个体不比集合C中的所有个体优越，则将个体X遗传到下一代群体中； —如果由上面的一种情况未能选择出一个个体，则利用共享函数的概念从集合T中选择出一个小生境数较小的个体遗传到下一代群体中。 4.4.2 求解多目标优化问题的遗传算法 算法Hybrid Selection ①并列选择过程： 按所求多目标优化问题的子目标函致的个数，将整个群体均等地划分为一些子群体，各个子目标函数在相应的子群体中产生其下一代子群体。 ②保留Pareto最优个体过程： 对于各个子群体中的Pareto最优个体，不让其参与个体的交叉运算和变异运算，而是将这个或这些Pareto最优个体直接保留到下一代于群体中。 ③共享函数处理过程： 若所得到的Pareto最优个体的数量已超过规定的群体规模，则需要利用共享函数的处理方法来对这些Pareto最优个体进行挑选，以形成规定规模的新一代群体。 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的性能。 4.2 评价遗传算法性能的常用测试函数 ●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。 4.2 评价遗传算法性能的常用测试函数 (1)? 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。 (2)? 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。 4.2 评价遗传算法性能的常用测试函数 4.2 评价遗传算法性能的常用测试函数 (3)? 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 (4)? 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