遗传算法的定义、设计、流程和实际应用.pptVIP

(4)维持群体中个体的多样性 ①增加群体规模，但要考虑计算量增加的因素； ②实施局部化，把群体分割成若干子群体，每个子群体独立地进行选择操作，这样可使因出现不适当个体而产生未成熟收敛的现象局部化； ③实施单一化，把相同个体单一化，即不允许群体中有若干个相同个体出现； ④增大配对个体距离，配对选择一般是随机进行的，其中缺少对个体间相似度的判断，因此有可能使交叉结果未能产生新个体。 59 群体规模 N √ 影响算法的搜索能力和运行效率。 若 N 设置较大，一次进化所覆盖的模式较多，可以保证群体的多样性，从而提高算法的搜索能力，但是由于群体中染色体的个数较多，势必增加算法的计算量，降低算法的运行效率。 若 N 设置较小，虽然降低了计算量，但是同时降低了每次进化中群体包含更多较好染色体的能力。 N 的设置一般为 20~100 。 遗传算法的参数设置 60 染色体的长度 L √影响算法的计算量和交叉变异操作的效果。 L 的设置跟优化问题密切相关，一般由问题定义的解的形式和选择的编码方法决定。 对于二进制编码方法，染色体的长度 L 根据解的取值范围和规定精度要求选择大小。 对于浮点数编码方法，染色体的长度 L 跟问题定义的解空间维数 D 相同。 除了染色体长度一定的编码方法，Goldberg 等人还提出了一种变长度染色体遗传算法 Messy GA ，其染色体的长度并不是固定的。 61 基因的取值范围 R √ R 视采用的染色体编码方案而定。 对于二进制编码方法 ， R= { 0 ，1} 对于浮点数编码方法 ， R 与优化问题定义的解每一维变量的取值范围相同 。 62 交叉概率 Pc √ 决定了进化过程中，种群参加交叉运算的染色体的平均数目 Pc ×N。 Pc的取值范围一般为 0.4~0. 99 也可采用自适应的方法调整算法运行过程中的 Pc 值 63 变异概率 Pm √ 增加群体进化的多样性，决定了进化过程中群体发生变异的基因平均个数。 Pm的值不宜过大。 因为变异对己找到的较优解具有一定的破坏作用，如果Pm 的值太大，可能会导致算法目前所处的较好的搜索状态倒退回原来较差的情况。 Pm的取值一般为 0. 001~0.1 也可采用自适应的方法调整算法运行过程中的 Pm值 64 适应值评价 √ 影响算法对种群的选择，恰当的评估函数应该能够对染色体的优劣做出合适的区分，保证选择机制的有效性，从而提高群体的进化能力。 评估函数的设置同优化问题的求解目标有关。 评估函数应满足较优染色体的适应值较大的规定。 为了更好地提高选择的效能，可以对评估函数做出一定的修正。 目前主要的评估函数修正方法有: 线性变换 乘幂变换 指数变换等 65 终止条件 √ 决定算法何时停止运行，输出找到的最优解。 采用何种终止条件，跟具体问题的应用有关。 可以使算法在达到最大进化代数时停止，最大进化代数一般可设置为 100~1000 ，根据具体问题可对该建议值作相应的修改。 也可以通过考察找到的当前最优解的情况来控制算法的停止。 例如，当目前进化过程算法找到的最优解达到一定的误差要求，则算法可以停止。 误差范围的设置同样跟具体的优化问题相关。或者是算法在持续很长的一段进化时间内所找到的最优解没有得到改善时 ， 算法可以停止。 66 混合遗传算法 √ 提高遗传算法求解问题的能力。 并行模拟退火遗传算法(Parallel Simulated Annealing and Genetic Algorithms , PSAGA) 贪婪遗传算法(Greedy Genetic Algorithm, GGA) 遗传比率切割算法(Genetic Ratio-Cut Algorithm, GRCA) 遗传爬山法(Geneti c Hillclimbing Algorithm ， GHA) 引人局部改善操作的混合遗传算法 免疫遗传算法(lmmune Genetic Algorithm, IGA) 67 并行遗传算法 √算法从整体的流程上看仍然是串行的，但是算法运行过程中对每个染色体的处理却是具有潜在的并行性。 标准型并行方法(Standard Parallel Approach) 没有根本改变遗传算法整体上的串行计算结构，只是在算法的某些操作中引入并行计算技术，这些操作包括适应值计算、选择操作、交叉操作、变异操作等 分解型并行方法(Decomposition Parallel Approach) 将整个群体分解成几个子群体，各个子群体分配到不同的计算资源上分别独立地使用原有的遗传算法进行进化 68 69 分解型并行方法这种思想更贴近于自然界的生物进化系统。由于地域的限