2012年数学建模之遗传算法(改进与应用).pptVIP

谢 谢！ 放映结束 感谢各位的批评指导！ 让我们共同进步 * ★求解线性约束优化问题的遗传算法 例：7×7运输规划问题 对于约束 ，个体染色体表示 为（v11,…,v77），其约束违反度定义为： 2. 遗传算法的应用 智能优化计算 2.1 解带约束的函数优化问题 * ★求解线性约束优化问题的遗传算法 例：7×7运输规划问题 (费用参数表) 对于函数A，取S＝2，对于函数B、E和F，取S＝5。 2. 遗传算法的应用 智能优化计算 2.1 解带约束的函数优化问题 cij 27 28 25 20 20 20 20 20 0 21 50 62 93 77 1000 20 21 0 17 54 67 1000 48 20 50 17 0 60 98 67 25 23 62 54 60 0 27 1000 38 26 93 67 98 27 0 47 42 25 77 1000 67 1000 47 0 35 26 1000 48 25 38 42 35 0 * ★求解线性约束优化问题的遗传算法 例：7×7运输规划问题 消除多余变量： 可以消除13个变量，x11, x12,…, x17, x21, x31, x41, x51, x61, x71，其余36个变量设定为y1,y2,…,y36 2. 遗传算法的应用 智能优化计算 2.1 解带约束的函数优化问题 * ★求解线性约束优化问题的遗传算法 例：7×7运输规划问题 将原规划问题转化为： 2. 遗传算法的应用 智能优化计算 2.1 求解带约束的函数优化问题 * ★求解线性约束优化问题的遗传算法 例：7×7运输规划问题 采用的参数：种群大小40，均匀变异概率0.08，边界变异概率0.03，非均匀变异概率0.07，简单交叉概率0.10，单一算术概率0.10，整体算术概率0.10，运行代数8000。 2. 遗传算法的应用 智能优化计算 2.1 解带约束的函数优化问题 * ★求解线性约束优化问题的遗传算法 例：7×7运输规划问题 结果比较：GENOCOP（约束优化的遗传算法）GAMS（拟牛顿法非线性最优化算法） 2. 遗传算法的应用 智能优化计算 2.1 解带约束的函数优化问题 函数 A B C D E F GAMS 96.00 1141.60 2535.29 565.15 208.25 43527.54 GENOCOP 24.15 205.60 2571.04 480.16 204.82 119.61 误差% 297.52 455.25 -1.41 17.70 1.67 36291.22 * 2. 遗传算法的应用 智能优化计算 ★多目标优化问题 解的存在性 怎样求解 2.2 解多目标优化问题 * 2. 遗传算法的应用 智能优化计算 ★Pareto最优性理论 在一个有k个目标函数最小化的问题中，称决策向量x*∈F是Pareto最优的，当不存在另外一个决策向量x∈F同时满足 2.2 解多目标优化问题 * 2. 遗传算法的应用 智能优化计算 ★Pareto最优性理论 多目标优化问题的解通常是多个满意解的集合，称为Pareto最优集，解集中的决策向量称为非劣的。 2.2 解多目标优化问题 * 2. 遗传算法的应用 智能优化计算 ★传统方法 多目标加权法 层次优化法 目标规划法等 特点：将多目标函数转化为单目标函数处理，只能得到特定条件下的某一Pareto解。 2.2 解多目标优化问题 * 2. 遗传算法的应用 智能优化计算 ★多目标优化的遗传