第四章遗传算法课件.pptxVIP

第四章 遗传算法（续）智能优化计算华东理工大学自动化系2019年1

遗传算法简介遗传算法的产生与发展生物进化理论和遗传学的基本知识遗传算法的思路与特点遗传算法的基本操作遗传算法的应用基本遗传算法简单函数优化的实例遗传基因型适应度函数及其尺度变换遗传操作——选择遗传操作——交叉/基因重组遗传操作——变异算法的设计与实现4.2.8模式定理智能优化计算华东理工大学自动化系2019年2

4.3 遗传算法的改进4.3.1CHC算法4.3.2自适应遗传算法4.3.3基于小生境技术的遗传算法4.4 遗传算法的应用4.4.1解决带约束的函数优化问题4.4.2解决多目标优化问题4.4.3解决组合优化问题4.4.4遗传算法在过程建模中的应用4.4.5遗传算法在模式识别中的应用智能优化计算华东理工大学自动化系2019年3

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年改进的途径改变遗传算法的组成成分；采用混合遗传算法；采用动态自适应技术；采用非标准的遗传操作算子；采用并行遗传算法等。4

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.1 CHC算法改进思路1991年Eshelman提出的一种改进遗传算法；C：跨世代精英选择（Crossgenerationalelitistselection）策略；H：异物种重组（Heterogeneousrecombination）；C：大变异（Cataclysmicmutation）。5

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.1 CHC算法选择上一代种群与通过新的交叉方法产生的个体群混合起来，从中按一定概率选择较优的个体；即使交叉操作产生较劣个体偏多，由于原种群大多数个体残留，不会引起个体的评价值降低；可以更好地保持遗传多样性；排序方法，克服比例适应度计算的尺度问题。6

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.1 CHC算法交叉均匀交叉的改进：当两个父个体位值相异的位数为m时，从中随机选取m/2个位置，实行父个体位值的交换；确定一阈值，当个体间距离低于该阈值时，不进行交叉操作。进化收敛的同时，逐渐地减小该阈值。7

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.1 CHC算法变异在进化前期不采取变异操作，当种群进化到一定收敛时期，从最优个体中选择一部分个体进行初始化；初始化：选择一定比例（扩散率，一般0.35）的基因座，随机地决定它们的位值。8

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.2 自适应遗传算法参数分析交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键，直接影响算法的收敛性；Pc越大，新个体产生的速度就越快，但过大会使优秀个体的结构很快被破坏；Pc过小，搜索过程缓慢，以至停止不前；Pm过小，不易产生新个体结构，Pm过大，变成纯粹的随机搜索；9

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.2 自适应遗传算法自适应策略Srinvivas等提出一种自适应遗传算法，Pc和Pm能够随适应度自动改变：当种群各个体适应度趋于一致或趋于局部最优时，使Pc和Pm增加；而当群体适应度比较分散时，使Pc和Pm减少；对于适应度较高的个体，对应于较低的Pc和Pm；而较低适应度的个体，对应于较高的Pc和Pm。10

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年maxf ——群体中最大的适应度值；favg——每代群体的平均适应度值；f’——要交叉的两个个体中较大的适应度值；f——要交叉或变异的个体适应度值；4.3.2 自适应遗传算法自适应方法k1、k2、k3、k4取(0,1)的值11

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.2 自适应遗传算法自适应方法进一步改进适用于进化后期，不适于进化前期，因为前期的优秀个体有可能是局部最优点；使最大适应度个体的交叉概率和变异概率由0提高到Pc2和Pm2；采用精英选择策略；12

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.2 自适应遗传算法自适应方法进一步改进13

4.3 遗传算法的改进智能优化计算华东理工大学自动化系2019年4.3.3 基于小生境技术的遗传算法小生境概念小生境（niche）：生物学中，特定环境中的一种组织功能；在SGA中，容易“近亲繁殖”；NGA（NicheGenericAlgorithm），将每一代个体划分为若干类，每类选出优秀个体组成一个种群；优势：保持解的多样性，提高全局搜索能力，适合复杂多峰函数的优化。14

4.3 遗