遗传算法基本原理.pptVIP

4.1.7 迭代终止条件 一般采用设定最大代数的方法。 其次，可以根据群体的收敛程度来判断，通过计算种群中的基因多样性测度，即所有基因位的相似性程度来进行控制。 第三，根据算法的离线性能和在线性能的变化进行判定。 最后，在采用精英保留选择策略的情况下，按每代最佳个体的适应值的变化情况确定。 第三十页，共七十页，2022年，8月28日 4.1.8 控制参数 1）位串长度L：位串长度L的选择取决于特定问题解的精度。要求的精度越高，位串越长，但需要更多的计算时间。为提高运算效率，变长度位串或者在当前所达到的较小可行域内重新编码，是一种可行的方法，并显示了良好性能。 2）群体规模n：大群体含有较多模式，为遗传算法提供了足够的模式采样容量，可以改进GA搜索的质量，防止成熟前收敛。但大群体增加了个体适应性评价的计算量，从而使收敛速度降低。一般情况下建议n＝20～200。 第三十一页，共七十页，2022年，8月28日 4.1.8 控制参数 3）交叉概率Pc：交叉概率控制着交叉算子的应用频率，在每一代新的群体中，需要对Pc×n个个体的染色体结构进行交叉操作。交叉概率越高，群体中新结构的引人愈快，已获得的优良基因结构的丢失速度也相应升高。而交叉概率太低则可能导致搜索阻滞。一般取Pc=0.60～1.00。 4）变异概率Pm：变异操作是保持群体多样性的有效手段，交叉结束后，交配池中的全部个体位串上的每位等位基因按变异率Pm随机改变，因此每代中大约发生Pm×n×L次变异。变异概率太小，可能使某些基因位过早丢失的信息无法恢复；而变异概率过高，则遗传搜索将变成随机搜索。一般取Pm = 0.005~0.01。 第三十二页，共七十页，2022年，8月28日 4.1.8 控制参数 从理论上来讲，不存在一组适用于所有问题的最佳参数值，随着问题特征的变化，有效参数的差异往往非常显著。 第三十三页，共七十页，2022年，8月28日 4.1.9 GA的性能评估 关于搜索类算法的性能评估，一般可以归纳为算法的求解效率和求解质量两个方面。 算法的求解效率是比较获得同样的可行解所需要的计算时间。 算法的求解质量是在规定的时间（或者时间相关指标）内所获得的可行解的优劣。 第三十四页，共七十页，2022年，8月28日 4.1.9 GA的性能评估 1．适应值函数计算次数 该指标是指发现同样适应性的个体，或者找到同样质量的可行解，所需要的关于个体评价的适应值函数的计算次数（function evaluations）。显然，该值越小说明相应GA的搜索效率越高。 该指标不仅可以用于不同参数设置GA的性能比较，也可以用于GA与其他搜索算法的比较。 第三十五页，共七十页，2022年，8月28日 4.1.9 GA的性能评估 2．在线和离线性能函数 1）在线性能函数（on-line performance）：设GA的遗传策略为s（包括{L，n，Pc，Pm}，算子形式等），该策略的在线性能： 即在线性能反映了群体平均适应值经平滑处理后的变化情况，描述了群体的整体性状和进化能力。 第三十六页，共七十页，2022年，8月28日 4.1.9 GA的性能评估 2．在线和离线性能函数 2）离线性能函数（off－line performance）：对于GA遗传策略s，其离线性能 其中，f(a*，t)＝max{f(al, t)，f(a2, t)，…，f(an, t)}，即当前群体中最佳个体的适应值。该指标反映了群体中最佳个体适应值经平滑处理后的变化情况，描述了个体的进化能力和GA的搜索能力。 第三十七页，共七十页，2022年，8月28日 4.1.9 GA的性能评估 3．最优解搜索性能 GA用于函数优化的目的就是发现问题的全局最优解，所以通常采用当前群体发现的最佳可行解的改善情况作为度量GA搜索能力的基本指标。 第三十八页，共七十页，2022年，8月28日 4.2 遗传算法的模式理论 4.2．1 模式与模式空间 位串上的某些等位基因的联结与适应值函数之间存在着某种联系，这种联系提供了寻优过程的指导信息，引导着群体在位串空间中的移动方向。 采用字符集K={0，1}对问题参数进行二进制编码，位串空间表示为SL＝{1,0}L，该空间的大小为|SL|＝2L。扩展字符集K’＝{0,1,*}，其中*是通配符或无关符（wild cards，or“don’t cares”），即可和0或 1匹配。扩展位串空间表示为SeL＝{1,0,*}L，该空间的大小为| SeL |＝3L，则称SeL为SL的模式空间。显然，包含2L个位串的位串空间，对应于3L个模式位串的模式空间。 第三十九页，共七十页，2022年，8月28日 4.2 遗传算法的模式理论 4