演化算法完整版.docVIP

PAGE 1 《演化计算》读书报告 学号：2009202060131 院系：水利水电学院 姓名：赵树君 演化算法是一种模拟生物演化过程与机 制求解优化问题及搜索问题的一类自组织、自适应人工智能技术。这类技术的核心思想源于这样的基本知识：生物进化过程本身就是一个自然的、并行发生的、稳健 的优化过程。这一过程的目标在于使生命体达到适应环境的最佳结构与效果，生物种群通过“优胜劣汰”及遗传变异来达到演化的目的。 按照达尔文的自然选择学说 和孟德尔的遗传变异理论，生物演化是通过繁殖、变异、重组和选择这4种基本形式来实现的。演化算法就是基于这种思想发展起来的一类随机搜索技术。它们是模 拟由个体组成的群体的学习过程，其中每个个体表示给定问题搜索空间的一点。演化算法从一个初始的群体出发，通过随机选择、变异和重组过程，使群体演化到搜 索空间中越来越好的区域。选择过程是群体中适应性好的个体比适应性差的个体有更多的复制机会，交叉算子将父辈信息结合在一起并将它们遗传到子代个体，变异 保证在群体中产生新的个体。演化算法这种以生物智能或自然现象为基础的随机搜索算法具有比数学规划方法更大的优越性，使得演化算法已经成为人工智能领域的 研究热点。 演化算法的特点 与传统搜索算法相比,演化计算具有以下不同点: 演化计算从多个点而不是一个点开始进行搜索,这是它能以较大的概率找到整体最优 解的原因之一。 演化计算只使用效益信息(即目标函数),并在增加收益和减小开销之间进行权衡,而传统搜索算法一般要使用导数等其它辅助信息。 演化计算所具有的内含并行性使它能以较少的计算量获得较大的收益。 演化计算使用随机的转移规则而不是确定的转移规则。 算法不是直接作用在解空间上,而是利用解的编码形式。 演化算法的基本结构 不同的编码方案、选择策略和遗传算子相结合,可构成不同的演化算法,但其基本结构可描述如下: PROCEDURE 演化计算的基本结构 { 随机初始化种群P(0)={x1,x2,…,xN},t:=0; 计算P(0)中个体的适应值; While(不满足终止准则) do { 由P(t)通过遗传操作形成新的种群P(t+1); 计算P(t+1)中个体的适应值,t=t+1; } 输出结果; } 可以看出,上述基本结构是一个比较粗略的框架。在具体实现时,可使用较为详细的结构。如按种群的组织方式,可分为非重叠和重叠种群的演化算法,以及单种群和多种群的演化算法;按遗传算子的执行方式,可分为非重叠和重叠遗传操作的演化算法等。 演化算法的基本原理 编码表示 设计演化算法的一个重要步骤是,对所解问题的变量进行编码表示,编码表示方案的选取在很大程度上依赖于问题的性质及遗传算子的设计。通常,在设计演化算法时,只有两个方面与所求问题有关,即问题的编码表示与适应函数的确定。 根据编码方式的不同,演化算法的编码策略大致可分为二进制编码、实数编码、有序串编码与结构性编码等。 确定适应函数 在自然界中,个体的适应值就是其繁殖能力,这将直接关系到其后代的数量。在演化计算中,适应函数是区分群体中个体好坏的标准,是算法演化过程的驱动力,是进行自然选择的唯一依据。改变种群内部结构的操作都通过适应值进行控制。 在演化计算中,度量适应性的方法有很多种,既可以用目标函数的形式给出,也可以用目标函数变换的方式来定义。在协同演化(coevolution)时,适应值通常由某一对策与群体中相佐的对策进行抗衡的获利来确定。个体在种群中的存活量和繁殖量也可以作为适应值的一种度量,这种度量方式常在人工生命的研究中使用。 确定选择策略 选择策略对算法性能有举足轻重的影响作用。不同的选择策略将导致不同的选择压力,即下一代中父代个体的复制数目的分配关系不同。较大的选择压力使最优个体具有较高的复制数目,从而使算法收敛速度较快,但也容易出现过早收敛现象。相对地,较小的选择压力一般能使群体保持足够的多样性,从而增大了算法收敛到全局最优的概率,但算法的收敛速度一般较慢。 遗传算子的设计 遗传算子的设计是演化计算中最富有特色和创造性的部分。基本的演化算法只使用再生、杂交和变异三种操作。编码策略的不同造成了遗传操作的多样性。对二进制编码,杂交算子有点式杂交和均匀杂交方式,且点式杂交算子又分为单点式杂交和多点式杂交。其它编码方式的杂交算子和变异算子更是丰富多彩。 控制参数的选取 在设计演化算法时,一方面,需要针对具体问题选择适当的编码方案及相应的遗传算子;另一方面,需要选择算法的控制参数。对一个具体问题,要想获得最优的参数设置,通常采取下述两种方法之一。 (1)试验法 该方法是对每个参数在某区间上按一定的间隔取有限个值,然后根据不同的参数组合执行演化算法,以比较它们的性能,并在其中选择最优的组合。 (2)二级演化算法(meta-