基本遗传算法.pptxVIP

基本遗传算法会计学第1页/共56页(2) 个体适应度评价 基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传 到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应 度必须为正数或零。这样，根据不同种类的问题，必须预先确定好由目标函数 值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时 的处理方法。(3) 遗传算子 基本遗传算法使用下述三种遗传算子： ? 选择运算：使用比例选择算子； ? 交叉运算：使用单点交叉算子； ? 变异运算：使用基本位变异算子。 (4) 基本遗传算法的运行参数 基本遗传算法有下述4个运行参数需要提前设定： ? M：群体大小，即群体中所含个体的数量，一般取为20 ~ 100。 ? T：遗传运算的终止进化代数，一般取为100 ~ 500 ? pc：交叉概率，一般取为0. ? pm： 第2页/共56页[说明] 这4个运行参数对遗传算法的求解结果和求解效率都有一定的影响，但目前 尚无合理选择它们的理论依据。在遗传算法的实际应用中，往往需要经过多次试 算后才能确定出这些参数合理的取值大小或取值范围。1.2 基本遗传算法的形式化定义 基本遗传算法可定义为一个7元组： GA＝ (M, F, s, c, m, pc, pm ) M——群体大小； F——个体适应度评价函数； s——选择操作算于； c——交叉操作算子： m——变异操作算于； pc——交叉概率； pm——变异概率；第3页/共56页Procedure GABegin initialize P(0); t=0; while (t=T) do for i=1 to M do Evaluate fitness of P(t); end for for i=1 to M do Select operation to P(t); end for for i=1 to M/2 do Crossover operation to P(t); end for for i=1 to M do Mutation operation to P(t); end for for i=1 to M do P(t+1) = P(t); end for t=t+1 end whileend1.3 基本遗传算法描述第4页/共56页2 基本遗传算法的实现 根据上面对基本遗传算法构成要素的分析和算法描述，我们可以很方便地用计 算机语言来实现这个基本遗传算法。 现对具体实现过程中的问题作以下说明：2.1 编码与解码 (1) 编码 假设某一参数的取值范围是[umin , umax]，用长度为l的二进制编码符号串来表示该参数，则它总共能够产生 2l种不同的编码，参数编码时的对应关系如下：00000000＝0 umin 00000001＝1 umin + ?00000010＝2 umin + 2? ……11111111=2l–1 umax1Umax ? umin x = umin + ( ? bi · 2i-1 ) · 2l ? 1 i=lUmax ? umin? = 2l ? 1 第5页/共56页其中， ?为二进制编码的编码精度，其公式为： (2) 解码 假设某一个体的编码是： x： bl bl-1 bl-2……b2b1 则对应的解码公式为：Umax ? umin+ 12l =?12.1 + 3.0+ 1=1Umax ? umin1/10000 x = umin + ( ? bi · 2i-1) · 2l ? 1 i=l= 151001= - 0.3 + 70352?(12.1+3)/(218-1)= 1.052426 Umax ? umin? = 2l ? 1 第6页/共56页[例]设 -3.0 ≤ x ≤ 12.1 , 精度要求 ?=1/10000，由公式：得： 即： 217 151001 218 x 解码：第7页/共56页2.2 个体适应度评价 如前所述，要求所有个体的适应度必须为正数或零，不能是负数。 (1) 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定个体 的适应度F(X)就等于相应的目标函数值f(X)，即： F(X)＝f(X) (2) 对于求目标函数最小值的优化问题，理论上只需简单地对其增加一个负号就 可将其转化为求目标函数最大值的优化问题，即： min f(X)＝max ( - f(X)) 但实际优化问题中的目标函数值有正也有负，优