遗传算法及其应用.pptVIP

双种群遗传算法程序流程图 第59页，共89页，2022年，5月20日，10点54分，星期六 9.3.3 自适应遗传算法 1. 基本思想 Srinvivas M.，Patnaik L. M.等在1994年提出一种自适应遗传算法(adaptive genetic algorithms，AGA)： 能随适应度自动改变。 AGA：当种群各个体适应度趋于一致或者趋于局部最优时，使 增加，以跳出局部最优；而当群体适应度比较分散时，使 减少，以利于优良个体的生存。 同时，对于适应度高于群体平均适应值的个体，选择较低的 ，使得该解得以保护进入下一代；对低于平均适应值的个体，选择较高的 值，使该解被淘汰。 第60页，共89页，2022年，5月20日，10点54分，星期六 9.3.3 自适应遗传算法 2. 自适应遗传算法的步骤 （1） 编码/解码设计。 （2） 初始种群产生：N（N 是偶数）个候选解，组成初始解集。 （3） 定义适应度函数为 ，计算适应度 。 （4） 按轮盘赌规则选择N 个个体，计算 。 （5）将群体中的各个个体随机搭配成对，共组成N/2对， 对每一对个体，按照自适应公式计算自适应交叉概率 ，随机产生R(0,1)，如果 则对该对染色体进行交叉操作。 第61页，共89页，2022年，5月20日，10点54分，星期六 2. 自适应遗传算法的步骤（续） （6）对于群体中的所有个体，共N个，按照自适应变异公式计算自适应变异概率 ，随机产生 R(0,1)，如果 则对该染色体进行交叉操作。 （7）计算由交叉和变异生成新个体的适应度，新个体与父代一起构成新群体。 （8）判断是否达到预定的迭代次数，是则结束；否则转 （4）。 9.3.3 自适应遗传算法 第62页，共89页，2022年，5月20日，10点54分，星期六 3. 适应的交叉概率与变异概率 9.3.3 自适应遗传算法 普通自适应算法中，当个体适应度值越接近最大适应度值时，交叉概率与变异概率就越小；当等于最大适应度值时，交叉概率和变异概率为零。 改进的思想：当前代的最优个体不被破坏，仍然保留（最优保存策略）；但较优个体要对应于更高的交叉概率与变异概率。 第63页，共89页，2022年，5月20日，10点54分，星期六 F－自适应方法： 9.3.3 自适应遗传算法 3. 自适应的交叉概率与变异概率（续） 第64页，共89页，2022年，5月20日，10点54分，星期六 9.2.4 选择 1. 个体选择概率分配方法 （2） 排序方法 （rank-based model） ② 非线性排序： Z. Michalewicz 将群体成员按适应值从好到坏依次排列，并按下式分配选择概率： 第27页，共89页，2022年，5月20日，10点54分，星期六 9.2.4 选择 1.个体选择概率分配方法 （2） 排序方法 （rank-based model） 可用其他非线性函数来分配选择概率，只要满足以下条件： 第28页，共89页，2022年，5月20日，10点54分，星期六 9.2.4 选择 2. 选择个体方法 （1）转盘赌选择（roulette wheel selection） 按个体的选择概率产生一个轮盘，轮盘每个区的角度与个体的选择概率成比例。 产生一个随机数，它落入转盘的哪个区域就选择相应的个体交叉。 第1轮产生一个随机数：0.81 第2轮产生一个随机数：0.32 第29页，共89页，2022年，5月20日，10点54分，星期六 9.2.4 选择 2. 选择个体方法 （2）锦标赛选择方法（tournament selection model） 锦标赛选择方法：从群体中随机选择个个体，将其中适应度最高的个体保存到下一代。这一过程反复执行，直到保存到下一代的个体数达到预先设定的数量为止。 随机竞争方法（stochastic tournament）：每次按赌轮选择方法选取一对个体，然后让这两个个体进行竞争，适应度高者获胜。如此反复，直到选满为止。 第30页，共89页，2022年，5月20日，10点54分，星期六 9.2.4 选择 2. 选择个体方法 （3） 和 选择 从规模为 的群体中随机选取个体通过重组和变异生成 个后代， 再选取 个最优的后代作为新一代种群。 从 个后代与其父体