物流系统的智能优化方法.pptVIP

遗传算法4、基本遗传算法基本遗传算法（SimpleGeneticAlgorithms,简称SGA）是一种统一的最基本的遗传算法，它只使用选择、交叉、变异这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。遗传算法遗传算法的构成要素染色体编码方法。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。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。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或均匀变异算子。遗传算法遗传算法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：群体大小M，即群体中所含个体数目，一般取为20~100；遗传运算的终止进化代数T，一般取为100~500；交叉概率Pc，一般取为0.4~0.99；变异概率Pm，一般取为0.0001~0.1。0102基本遗传算法的形式化定义基本遗传算法可定义为一个8元组：遗传算法C---个体的编码方法；1E---个体适应度评价函数；2P0---初始群体；3M---群体大小；Φ---选择算子；Ψ---变异算子；Γ---交叉算子；4T---遗传运算终止条件。5遗传算法基本遗传算法的实现1个体适应度评价2在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代群体中的概率。个体适应度越大，该个体被遗传到下一代的概率也越大；反之，个体的适应度越小，该个体被遗传到下一代的概率也越小。基本遗传算法使用比例选择算子来确定群体中各个个体遗传到下一代群体中的数量。为正确计算不同情况下各个个体的遗传概率，要求所有个体的适应度必须为正数或零，不能是负数。3遗传算法为满足适应度取非负值的要求，基本遗传算法一般采用下面两种方法之一将目标函数值变换为个体的适应度。方法一：对于目标函数是求极大化，方法为：0201遗传算法遗传算法式中，为一个适当地相对比较小的数，它可用下面几种方法之一来选取:预先指定的一个较小的数；进化到当前代为止的最小目标函数值；当前代或最近几代群体中的最小目标值。01状态产生函数02设计状态产生函数（邻域函数）的出发点应该是尽可能保证产生的候选解遍布全部的解空间。通常，状态产生函数由两部分组成，即产生候选解的方式和候选解产生的概率分布。模拟退火算法(SimulatedAnnealing)状态接受函数状态接受函数一般以概率的方式给出，不同接受函数的差别主要在于接受概率的形式不同。设计状态接受概率，应该遵循以下原则：在固定温度下，接受使目标函数值下降的候选解的概率要大于使目标值上升的候选解的概率；模拟退火算法(SimulatedAnnealing)随温度的下降，接受使目标函数值上升的解的概率要逐渐减小；当温度趋于零时，只能接受目标函数值下降的解。状态接受函数的引入是SA算法实现全局搜索的最关键的因素，SA算法中通常采用min[1,exp(-△C/t)]作为状态接受函数。模拟退火算法(SimulatedAnnealing)模拟退火算法(SimulatedAnnealing)⑶初温初始温度、温度更新函数、内循环终止准则和外循环终止准则通常被称为退火历程(annealingschedule)。实验表明，初温越大，获得高质量解的几率越大，但花费的计算时间将增加。因此，初温的确定应折衷考虑优化质量和优化效率，常用方法包括：均匀抽样一组状态，以各状态目标值的方差为初温。随机产生一组状态，确定两两状态间的最大目标值差，然后依据差值，利用一定的函数确定初温。譬如，其中为初始接受概率。利用经验公式给出。模拟退火算法(SimulatedAnnealing)温度更新函数目前，最常用的温度更新函数为指数退温函数，即，其中且其大小可以不断变化。温度更新函数，即温度的下降方式，用于在外循环中修改温度值。模拟退火算法(SimulatedAnnealing)模拟退火算法(SimulatedAnnealing)内循环终止准则内循环终止准则，或称Metropolis抽样稳定准则，用于决定在各温度下产生候选解的数目。在非时齐SA算法理论中