8-2 遗传算法计算机应用基础.pdf

瞎子爬山法与局部最优 一个瞎子从山脚开始，试探着一步一步向上爬，就可 以一直爬到山顶。 这种情形就被称为陷入了局部最优。 如何避免陷入局部最优是求解问题 中要注意的一个重要问题。 进化算法(Evolutionary Algorithm) 达尔文的进化论：适者生存，优胜劣汰。 1975年霍兰(Holland)提出了遗传算法，通过模拟生物进 化的过程概率搜索最优解。 遗传算法首先产生所谓的个体种群，每个个体是编码 的二进制串(又称为染色体)。 然后对个体进行随机的选择，再经过复制、交叉和变 异产生下一代的种群。 就这样经过一代一代的进化，最终获得满意的个体(即 问题的解)。 进化计算中的基本算子 适应值f(x ) ：给出个体x 优劣； i i 选择算子：对个体进行概率选择。 个体的概率为p(x ) = f(x ) / ∑f(x ) ，优秀的个体具有较高 复制算子copy ：对选中的个体进行复制。 i i j 的概率。 交叉算子 ：将两个个体染色体中的某个位彼此交换，从 最常用的选择算子为轮盘赌的方法。这样优秀个体具有 而形成两个新的个体。 较高的被选中的概率。同时差的个体也有被选中的可能。 变异算子m：改变一个个体的染色体的某些位，得到 一个新的个体。 停止准则：决定算法停止的准则 进化算法的基本框架 t = 0 // t为代数； 初始化：P(0)={a (0), …, a (0)}//初始种群P(0) 1 n 度量：P(0): {f(a (0)), …, f(a (0))}; 1 n while (P(t)不满足停止准则) { 交叉：P’(t) = (P(t)); 变异：P’’(t) = m(P’(t)); 度量：P’’(t) ：{f(a ’’(t)), …, f(a ’’(t))); 1 n 选择：P(t+1) = P’’(t) Q; ∪ t = t +1; } 单目标优化 单目标优化问题Minimize f(x) 多目标优化 min∈Ω = ( , , … , )  种群 . . ≤ , = , , … , ; = , = , , … ,  适应度函数 min{f , f , ……, f } 1 2 m  进化算子  选择机制 Pareto前沿! NSGA-II、SPEA2 进化计算的优缺点 是一种通用的计算方法，一旦问题表示为种群后， 算法便不在依赖于问题。 求解不依赖于初始状况，通常具有较好的收敛性，也 不容易陷于局部最优。 依然有可能陷入局部最优(早熟收敛)。 选择问题的表示方案和适应值度量的优劣、选择种群 的规模大小、代数、控制执行各种算子的参数、停止 准则等的好坏都可影响算法的功能和效果。