数学建模现代优化算法.pptVIP

个体号 初始群体 的值 适应度 选择概率 适应度期望值 实际次数 配对 交叉位置 新一代群体 的值 适应度 1 01101 13 169 0.14 0.58 1 2 4 01100 12 144 2 11000 24 576 0.49 1.97 2 1 4 11001 25 625 3 01000 8 64 0.06 0.22 0 4 2 11011 27 729 4 10011 19 361 0.31 1.23 1 3 2 10000 16 256 适应度总和 1170 1.00 4.00 4 1754 平均适应度 293 0.25 1.00 1 439 最大适应度 576 0.49 1.97 2 729 (3)适应度计算 将每个个体 的函数值 作为该个体的适应度.如个体01101的适应度为 . (4)选择 计算每个个体的适应度所占的比例 ,并以此作为相应的选择概率.表的第5列给出了每个个体的选择概率.由此概率可计算出每个个体选择的次数.也可采用轮盘赌方式来决定每个个体的选择份数.赌轮按每个个体适应度的比例分配,转动赌轮4次,就可决定各自的选择份数.如表中第7列.结果反映出,优秀个体2获得了最多的生存繁殖机会,最差个体3被淘汰.每次选择都对个体进行一次复制,由此得到的4份复制送到配对库,以备配对繁殖. (5)交叉与变异 这里采用简单交叉操作:首先对配对库中的个体进行随机配对;其次,在配对个体中随机设定交叉处,配对个体彼此交换部分信息(如表).于是得到4个新个体,这4个新个体就形成了新一代群体.比较新旧群体,不难发现新群体中个体适应度的平均值和最大值都有明显的提高.由此可见,新群体中的个体的确是朝着期望的方向进化了. 一般而言,变异概率都取得很小.在这里取 由于群体中共有 位基因可以变异,这就意味着群体中通常没有一位基因可变异. 二 模拟退火算法 一、模拟退火算法简介 从物理学的有关知识知道，固体在恒定的温度下达到热平衡的过程可以用Monte Carlo方法进行模拟Monte Carlo方法的算法简单，但必须大量采样才能得到比较精确的结果因而计算量大。基于物理系统在自由状态下有向能量较低状态转移的趋势，而热运动又妨碍它准确落人最低状态的考虑,Metropolis于1953年提出对有重要贡献的状态进行采样，从而较快地达到比较理想的结果，其方法可以描述如下： 先给定以粒子相对位置表征的初始状态 ，作为固体的当前状态，该状态的能量为 。然后用摄动装置使随机选取的某个粒子的位移产生一微小变化，得到一个新状态 ，新状态的能量是 。如果 ，则该新状态就可作为“重要”状态，如果 ，则考虑到热运动的影响，该新状态是否为“重要” 状态需要根据固体处于该状态的概率来判断。设固体处于状态 与状态 的概率比值为r，r是一个小于1的数，用随机数产生器产生一个 区间的随机数 。若 ，则新状态作为重要状态，否则舍去。 若新状态 是重要状态,就 以取代 成为当前状态，否则仍以 为当前状态，再重复以上新状态的产生过程，在固体状态经过大量变换（常称之为迁移）后，系统趋于能量较低的平衡状态。 上述接受新状态的准则称为Metropolis准则，相应的算法称为Metropolis算法。研究表明一般情况下 Metropolis算法计算量明显少于 Monte Carlo算法。 通过对固体退火过程的研究可知，高温状态下的物质降温时其内能随之下降，如果降温过程充分缓慢，则在降温过程中物质体系始终处于平衡状态。从而降到某一低温时其内能可达最小，称这种降温为退火过程。模拟退火过程的寻优方法称为模拟退火（Simulated anneating，SA）算法。 (1) 模拟退火算法（SA） 设 为所有可能的组合状态，C： 为非负目标函数，即 ，反映了取状态 为解的代价，则组合优化问题可以形式地描述为寻找 ，使 将状态 看成是某一物质体系的微观状态，而将 看成该物质体系在状态 下的能量，并用控制参数 表示为让温度 从一个足够高的值慢慢下降，对每一 用Metropolis采样法模拟该体系在此 下的热平衡状态，即对当前状态 做随机扰动以产生一个新的状态 ，计算增量： 并