遗传算法综述及简单应用实例Matlab程序.ppt

4.4 遗传算法的应用 多目标优化的遗传算法 基于排序的多目标遗传算法： 根据“Pareto最优个体”的概念对所有个体进行排 序，依据这个排列次序来进行进化过程中的选择运 算，从而使得排在前面的Pareto最优个体将有更多 的机会遗传到下一代群体。 4.4.2 解决多目标优化问题 * 4.4 遗传算法的应用 多目标优化的遗传算法 小生境Pareto遗传算法： 为了保证寻优过程不收敛于可行域的某一局部， 使种群向均匀分布于Pareto前沿面的方向进化， 通过共享函数定义一小生境加以实现。 4.4.2 解决多目标优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 41 94;37 84;54 67;25 62; 7 64;2 99;68 58;71 44;54 62;83 69;64 60;18 54;22 60;83 46;91 38;25 38;24 42;58 69;71 71;74 78;87 76;18 40;13 40;82 7;62 32; 58 35;45 21;41 26;44 35;4 50 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 编码：直接采用解的表示形式，30位（30个城市）长，每位代表所经过的城市序号（无重复）； 适应度函数：个体所代表的路径距离的倒数； 选择：轮盘赌方法 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 交叉：有序交叉法 1）随机选取两个交叉点； 2）两个父个体交换中间部分； 3）替换交换后重复的城市序号。 4.4.3 解决组合优化问题 X1: 9 8 | 4 5 6 7 1 | 3 2 0 X2: 8 7 | 1 4 0 3 2 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 3 2 0 X2’: 8 7 | 4 5 6 7 1 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 7 5 6 X2’: 8 3 | 4 5 6 7 1 | 9 0 2 * 4.4 遗传算法的应用 TSP Benchmark 问题 变异：随机选择同一个个体的两个点进行交换； 初始参数： 种群规模 100 交叉概率 0.8 变异概率 0.8 终止代数 2000 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 TSP Benchmark 问题 运行结果： 4.4.3 解决组合优化问题 * 4.4 遗传算法的应用 优化神经网络的权值 神经网络建模： 4.4.4 遗传算法在过程建模中的应用 x1 输出层 隐藏层 输入层 x2 y xn … … … … * 4.4 遗传算法的应用 优化神经网络的权值 例：聚丙烯生产过程熔融指数的软测量模型 输入变量：加氢量、釜压、升温时间、反应时间、搅拌电流； 输出变量：熔融指数； 样本数据：240组现场数据； 4.4.4 遗传算法在过程建模中的应用 * 4.4 遗传算法的应用 优化神经网络的权值 个体的表示：w11 w12 … w1n … wnm w1 … w