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30页，共70页，星期日，2025年，2月5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31页，共70页，星期日，2025年，2月5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32页，共70页，星期日，2025年，2月5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33页，共70页，星期日，2025年，2月5日4.1.9GA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34页，共70页，星期日，2025年，2月5日4.1.9GA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（functionevaluations）。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35页，共70页，星期日，2025年，2月5日4.1.9GA的性能评估2．在线和离线性能函数1）在线性能函数（on-lineperformance）：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36页，共70页，星期日，2025年，2月5日4.1.9GA的性能评估2．在线和离线性能函数2）离线性能函数（off－lineperformance）：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37页，共70页，星期日，2025年，2月5日4.1.9GA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38页，共70页，星期日，2025年，2月5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（wildcards，or“don’tcares”），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39页，共70页，星期日，2025年，