《最新遗传算法的基本原理111》.docxVIP

第二章遗传算法的基本原理 遗传算法的基本描述 全局优化问题 全局优化问题的定义：给定非空集合S作为搜索空间，f: S-R为目标函 数，全局优化问题作为任务 max f (x)给出，即在搜索空间中找到至少一个使目 xeS 标函数最大化的点。 全局最大值(点)的定义：函数值f* =f(x*)E称为一个全局最大值，当 且仅当\fxE Sn f (x) 4 f (x* )成立时，x* w s被称为一个全局最大值点(全局最 大解)。 局部极大值与局部极大值点(解)的定义： 假设在S上给定了某个距离度量P ,如果对x w S , * 0 ,使得对Vx w S , P(x,x)n f(x)壬f(x)，则称x为一个局部极大值点，f(x)为一个局部极大 值。当目标函数有多个局部极大点时， 被称为多峰或多模态函数(multi-modality function)。 主要考虑两类搜索空间： 伪布尔优化问题：当S为离散空间Bl={0,1}l，即所有长度为L且取值为0或 1的二进制位申的集合时，相应的优化问题在进化计算领域称为伪布尔优化问 题。 连续参数优化问题：当取S伪n维实数空间Rn中的有界集合S = nn重a，bi], 其中ai b , i = 1,2,…,n时，相应的具有连续变量的优化问题称为连续参数优 化问题。 对S为Bl={0,1}l,常采用的度量时海明距离，当 S=rLL[ai,bi]时，常采用 的度量就是欧氏距离。 2.1.2遗传算法的基本流程 遗传算法的基本步骤如下： 1） 选择编码策略，把参数集合 X和域转换为位申结构空间S; 2） 定义适应度函数f（X）; 3） 确定遗传策略，包括群体规模，选择、交义、变异算子及其概率。 4） 生成初始种群P; 5） 计算群体中各个体的适应度值； 6） 按照遗传策略，将遗传算子作用丁种群，产生下一代种群； 7） 迭代终止判定。 遗传算法涉及六大要素：参数编码，初始群体的设定，适应度函数的设计， 遗传操作的设计，控制参数的设定，迭代终止条件。 遗传编码 由丁 GA计算过程的鲁棒性，它对编码的要求并不苛刻。原则上任何形式的 编码都可以，只要存在合适的对其进行操作的遗传算子， 使得它满足模式定理和 积木块假设。 由丁编码形式决定了交义算子的操作方式，编码问题往往称作编码 -交义问 题。 对丁给定的优化问题，由GA个体的表现型集合做组成的空间称为 问题（参 数）空间，由GA基因型个体所组成的空间称为 GA编码空间。遗传算子在GA 编码空I可中对位申个体进行操作 定义：由问题空间向GA编码空间的映射称为编码，而有编码空间向问题空 间的映射成为译码。 问题编码一般应满足以下三个原则： 完备性(completeness：问题空间中的所有点都能能成为 GA编码空间中的 点的表现型。即编码应能覆盖整个问题空间。 健全性(soundness： GA编码空间中的染色体位申必须对应问题空间中的某 一潜在解。即每个编码必须是有意义的。 非冗余性(non-redundanc0 :染色体和潜在解必须一一对应。 在某些情况下，为了提高GA的运行效率，允许生成包含致死基因的编码位 申，它们对应丁优化问题的非可行解。 虽然会导致冗余或无效的搜索，但可能有 助丁生成全局最优解所对应的个体，所需的总计算量可能反而减少。 根据模式定理，De Jong进一步提出了较为客观明确的编码评估准则，称之 为编码原理。具体可以概括为两条规则： 有意义积木块编码规则：编码应易丁生成与所求问题相关的短距和低阶的积 木块。 最小字符集编码规则：编码应采用最小字符集，以使问题得到自然、简单的 表小和描述。 二进制编码 连续实函数的二进制编码 设一维连续实函数f(x),x在［u,v］采用长度维L的二进制字符申进行定长编 码，建立位申空间： S = Gi, a2 , ,aK L ak = (ak1, ak2 , , akL ) , akl 企0,1》 k=1,2，…,K; l=1,2，…，L; K=2L 其中，个体的向量表示为ak =(ak1,ak2,…，akL),其字符申形式为 =ak1ak2…akL, sk称为个体ak对应的位申。表示精度为Ax = (v-u)/(2L T)。 将个体乂位申空间转换到问题空间的译码函数 r :{0,1}lt ［u,v］的公式定义 为： Xk = - (ak1, ak2, , akL)= u ^L 1 (- akj 2 T ) 对丁 n 维连续函数 f (x),x = (x1,x2，…，xn),x* [Uj,ViKi =1,2，…，n),各维变量 的二进制编码位申的长度为li,那么x的编码从左到右依次构成总长度为 L=，li i日 的二进制编码位申。相应的 GA编码空间为： S — {ai, a2 , aK } , K=2