现代优化算法概要.docx

智能优化箕法 智能优化算法又称为现代启发式算 法，是一种具有全局优化性能.通用性 强.且适合于并行处理的算法。这种算 常用的 智竟皂优化箕法 (1)遗传算法( (1)遗传算法 (Genetic Algorithm,简称GA ) (2 )模拟退火算法 智竟皂优化养法的特点 它们的共同特点：都是从任一解出发, 按照某种机制，以一定的概率在整个求解 空间中探索最优解。由于它们可以把搜索 空间扩展到整个问题空间， 空间扩展到整个问题空间， 遗传算法原理与应用 遗传算法概述 遗传算法原理 遗传算法的应用 一.遗传算法概述 1、 智能优化算法 2、 基本遗传算法 3、 遗传算法的特点 遗传算法是由美国的J?Holbnd教授于 1975年在他的专著《自然界和人工系统的 适应性》中首先提出的，它是一类借鉴生 算法 遗传算法模拟自然选择和自然遗传过 程中发生的繁殖.交叉和基因突变现象，在 每次迭代中都保留一组候选解，并按某种指 标从解群中选取较优的个体，利用遗传算子 2.基本遗传箕法 基本遗传算法（Simple Genetic Algorithms,简称SGA，又称简单遗传算法 或标准遗传算法）,是由Goldberg; 的一种最基本的遗传算法，其遗传夕 基本遗传算法的 组成 (1)编码(产生初始种群) (2 )适应度函数 GA是通过某种编码机制把对象 抽象为由特定符号按一定顺序排成的 串。正如研究生物遗传是从染色体着 手，而染色体则是由基因排成的串。 SGA使用二进制串进行编码。 函数优化示例 求下列一元函数的最大值: f(x) = x - sin(l O^r ? x) + 2.0 x x € [-1 SGA对于本例的编码 由于区间长度为3,求解结果精确到6位小 数，因此可将自变量定义区间划分为3x106等 份。又因为221 < 3 x 106 < 222 ,所以本例的二 进制编码长度至少需要22位，本例的编码过程 实质上是将区间卜1, 2］内对应的实数值转化为 初始种群 SGA釆用随机方法生成若干个 个体的集合，该集合称为初始种群。 初始种群中个体的数量称为种群规 适应度函数遗传算法对一个个体（解）的好坏另沪丿三而疋丿 适应度函数 遗传算法对一个个体（解）的好坏 另沪丿三而疋丿 用适应度函数值来评价，适应度函数值越 大，解的质量越好。适应度函数是遗传算 法进化过程的驱动力，也是进行自然选择 轮盘赌选择又称比例选择算子，它的基本思想 是：各个个体被选中的概率与其适应度函数值大小 成正比。设群体大小为n,个体i的适应度为耳，则 个体i被选中遗传到下一代群体的概率为： \丿） 刁一/厂丿牛丿二"丿勺/俱勿二/ r V A] 丿二'丿丄亠、—口丿r/J '（到下諾?进行西翕》 .传到下一代舞作中J 所谓交叉运算，是指对两个相互配对的染色 体依据交叉概率匕按某种方式相互交换其部分基 因，从而形成两个新的个体。交叉运算是遗传算 00000101110000000010000111001交叉后： 00000101110000000010000 111001 交叉后： 所谓变异运算，是指依据变异概率pm将个 体编码串中的某些基因值用其它基因值来替换， 从而形成一个新的个体。遗传算法中的变异运 算是产生新个体的辅助方法，它决定了遗传算jdMr 从而形成一个新的个体。遗传算法中的变异运 算是产生新个体的辅助方法，它决定了遗传算 jdMr 基本tfc先异算子 基本位变异算子是指对个体编码串随机 指定的某一位或某几位基因作变异运算。对 于基本遗传算法中用二进制编码符号串所表 为0,则变异操作将其变示的个体，若需要进行变异操作的某一基因 的原有基 为0,则变异操作将其变 为1;反之， OOOOIOOOOOOOOSOOOOO 坛昧叙 Jd(E) -H (Z) 【2(1) SGA的框图 产生初始群体 是 丨 输出结果并结束 — 是否满足停止准则 否I 计算个体适应度值 执行M/2次单点交叉运算基本位变异运算产生新一代群体 执行M/2次 单点交叉运算 基本位变异运算 产生新一代群体 3、遗传箕法的待点 (1)群体搜索，易于并行化处理; (2)不是盲目穷举，而是启发式搜索; (3)适应度函数不受连续.可微等条件 二.遗传算法原理 模式 模式是指种群个体基因串中的相似样 板，它用来描述基因串中某些特征位相同 的结构。在二进制编码中，模式是基于三 个字符集(OJF)的字符串，符号*代表任意 定义1:模式H中确定位置的个数称为模式 H的阶，记作O(H)。例如0(10**1)=3。 定义2:模式H中第一个确定位置和最后一 个确定位置之间的距离称为模式H的定义 距，记作则)。例如6(10評尸仃 模式阶用来反映不同模式间确定性 的差异，模式