遗传算法new剖析.ppt

matlab实验与分析 遗传算法 主要内容 基本原理 主要步骤及实例 收敛性分析 Matlab指令 智能优化算法 传统的最优化方法有较大的局限性，往往要求目标函数是凸的、高阶连续可微的，可行域是凸集 现代优化算法，又称智能优化算法，是80年代初兴起的优化算法，这些算法包括禁忌有哪些信誉好的足球投注网站、模拟退火、遗传算法、人工神经网络等，它们主要用于解决大量的实际应用问题。它们共同的目标是求问题的全局最优解。 问题背景和实验目的 遗传算法基本原理 遗传算法基于的生物进化规律 遗传算法主要借用生物进化中“适者生存”的规律。 适者生存揭示了大自然生物进化过程中的一个规律：最适合自然环境的群体往往有更大的概率产生更多的后代群体。 最优化问题的求解过程是从众多的解中选出最优的解，生物进化的适者生存规律使得具有生存能力的染色体以最大的可能生存。这样的共同点使得遗传算法可以在优化问题中应用。 遗传学相关概念 遗传学相关概念 遗传算法与传统优化算法的主要不同 主要内容 基本原理 主要步骤及实例 收敛性分析 Matlab指令 遗传算法的步骤 遗传算法的步骤 遗传算法具体步骤 遗传算法具体步骤 遗传算法的实际应用 编码 编码 产生初始群体 适应函数 适应函数和适应值 选择标准 选择算子 GA使用选择算子（或称复制算子）来对群体中的个体进行优胜劣汰操作：适应度较高的个体被遗传到下一代群体中的概率较大；适应度较低的个体被遗传到下一代群体中的概率较小。 选择操作确定如何从父代群体中按某种方法选取哪些个体遗传到下一代群体中的一种遗传运算。 选择操作是建立在对个体的适应度进行评价的基础之上的，其主要目的是为了避免基因缺失，提高全局收敛性和计算效率。 常用的选择算子 比例选择 也叫做赌盘（Roulette Wheel）选择法。 设群体规模大小为popSize，个体i的适应度为Fi，则个体被选中的概率为： 排序选择 随机联赛选择 无回放随机选择 无回放余数随机选择 产生种群 交叉 交叉算子 交叉是指对两个相互交叉的染色体按某种方式相互交换其部分基因，从而形成两个新的个体。 它是产生新个体的主要方法。 常用的交叉算子 单点交叉 双点交叉或多点交叉 均匀交叉 算术交叉 变异 变异算子 变异是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换，从而形成一个新的个体。 从遗传运算过程中产生新个体的能力方面来说，交叉运算是产生新个体的主要方法，它决定了遗传算法的全局有哪些信誉好的足球投注网站能力，而变异运算只是产生新个体的辅助方法，它决定了遗传算法的局部有哪些信誉好的足球投注网站能力。交叉算子与变异算子的相互配合，共同完成对有哪些信誉好的足球投注网站空间的全局有哪些信誉好的足球投注网站和局部有哪些信誉好的足球投注网站。 在GA中使用变异算子主要有以下两个目的： 改善GA的局部有哪些信誉好的足球投注网站能力。 维持群体的多样性，防止出现早熟现象。 常用的变异算子 基本位变异 均匀变异 非均匀变异 高斯变异 终止条件 主要内容 基本原理 主要步骤及实例 收敛性分析 Matlab指令 遗传算法的收敛性 遗传算法的收敛性 遗传算法的收敛性 最佳个体保存方法 最佳个体保存方法 种群规模对收敛性的影响 通常，种群太小则不能提供足够的采样点，以致算法性能很差； 种群太大，尽管可以增加优化信息，阻止早熟收敛的发生，但无疑会增加计算量，造成收敛时间太长，表现为收敛速度缓慢。 选择操作对收敛性的影响 选择操作使高适应度个体能够以更大的概率生存，从而提高了遗传算法的全局收敛性。如果在算法中采用最优保存策略，即将父代群体中最佳个体保留下来，不参加交叉和变异操作，使之直接进入下一代，最终可使遗传算法以概率1收敛于全局最优解。 交叉概率对收敛性的影响 交叉操作用于个体对，产生新的个体，实质上是在解空间中进行有效有哪些信誉好的足球投注网站。 交叉概率太大时，种群中个体更新很快，会造成高适应度值的个体很快被破坏掉； 概率太小时，交叉操作很少进行，从而会使有哪些信誉好的足球投注网站停滞不前，造成算法的不收敛。 变异概率对收敛性的影响 变异操作是对种群模式的扰动，有利于增加种群的多样性 。 但是，变异概率太小则很难产生新模式 变异概率太大则会使遗传算法成为随机有哪些信誉好的足球投注网站算法。 GA的优点 与其它一些优化算法相比，GA具有以下特点： GA以决策变量的编码作为运算对象，而不是参数本身，这使得GA不受函数约束条件的限制，如连续性、可导性等； GA可以直接根据目标函数值进行有哪些信誉好的足球投注网站，而无需其它信息，如导数信息； GA同时使用多个有哪些信誉好的足球投注网站点的有哪些信誉好的足球投注网站信息，隐含并行有哪些信誉好的足球投注网站特性； GA具有全局有哪些信誉好的足球投注网站能力，善于有哪些信誉好的足球投注网站复杂问题和非线性问题。 遗传算法同求解问题的其它启发式算法有较好的兼容性，可以与其它优化算法进行结合，改进