优化原理与方法13要素.ppt

遗传算法的改进途径 （1）适应度函数动态定标 （2）对编码方式的改进 （3）对遗传算子 的改进 （4）对控制参数的改进 （5）对执行策略的改进 §7.1 遗传算法原理与应用 二、遗传算法原理 在遗传算法进化过程中，有时会产生一些超常的个体，这些个体因竞争力太突出而控制了选择运算过程，从而影响算法的全局优化性能，导致算法获得某个局部最优解。 §7.1 遗传算法原理与应用 二、遗传算法原理 适应度函数动态定标 对编码方式的改进 编码：由问题解空间到到GA编码空间的映射，以及其反映射，即解码，要满足完备性、唯一性等一些基本要求。 编码与遗传算子的选择和设计关系密切。 二进制编码优点在于编码、解码操作简单，交叉、变异等操作便于实现，缺点在于精度要求较高时，个体编码串较长，使算法的有哪些信誉好的足球投注网站空间急剧扩大，遗传算法的性能降低。格雷编码（格雷码是一个数列集合，相邻两数间只有一个位元改变）克服了二进制编码的不连续问题 ，浮点数编码改善了遗传算法的计算复杂性 。 §7.1 遗传算法原理与应用 二、遗传算法原理 对编码方式的改进 §7.1 遗传算法原理与应用 二、遗传算法原理 十进制数 自然二进制数 格雷码 十进制数 自然二进制数 格雷码 0 0000 0000 8 1000 1100 1 0001 0001 9 1001 1101 2 0010 0011 10 1010 1111 3 0011 0010 11 1011 1110 4 0100 0110 12 1100 1010 5 0101 0111 13 1101 1011 6 0110 0101 14 1110 1001 7 0111 0100 15 1111 1000 基于自然二进制数的“基因”编码，7与8的4个位元均不相同 127 0111 1111 0100 0000 128 1000 0000 1100 0000 自然二进制码转换成二进制格雷码，其法则是保留自然二进制码的最高位作为格雷码的最高位，而次高位格雷码为二进制码的高位与次高位相异或，而格雷码其余各位与次高位的求法相类似。 浮点编码染色体的交叉 线性交叉 交叉公式 子个体＝父个体1＋F×(父个体2-父个体1) F为[0,1]间的均匀分布随机数 §7.1 遗传算法原理与应用 二、遗传算法原理 变量1 变量2 浮点编码染色体的交叉 中间交叉 交叉公式： 子个体_变量i＝父个体1_变量i＋Fi×(父个体2_变量i—父个体1_变量i) Fi为[0,1]间的均匀分布随机数 §7.1 遗传算法原理与应用 二、遗传算法原理 浮点编码染色体的变异 浮点编码变异 §7.1 遗传算法原理与应用 二、遗传算法原理 对遗传算子 的改进 排序选择 均匀交叉 逆序变异 （1） 对群体中的所有个体按其适应度大小进行降序排序； （2） 根据具体求解问题，设计一个概率分配表，将各个概率值按上述排列次序分配给各个个体； （3）基于各个个体所分配到的概率值，用赌盘选择法来产生下一代群体。 §7.1 遗传算法原理与应用 二、遗传算法原理 对遗传算子 的改进 排序选择 均匀交叉 逆序变异 （1） 随机产生一个与个体编码长度相同的二进制屏蔽字P = W1W2…Wn ； （2） 按下列规则从A、B两个父代个体中产生两个新个体X、Y：若Wi = 0，则X的第i个基因继承A的对应基因，Y的第i个基因继承B的对应基因；若Wi = 1，则X的第i个基因继承B的对应基因，Y的第i个基因继承A的对应基因。 §7.1 遗传算法原理与应用 二、遗传算法原理 对遗传算子 的改进 排序选择 均匀交叉 逆序变异 变异前： 3 4 8 | 7 9 6 5 | 2 1 变异前： 3 4 8 | 5 6 9 7 | 2 1 §7.1 遗传算法原理与应用 二、遗传算法原理 对控制参数的改进 Schaffer建议的最优参数范围是： （局限于特定问题） N ： 种群规模 = 20-100， T ： 遗传运算的终止进化代数 = 100-500， Pc ： 交叉概率 = 0.4-0.9， Pm ： 变异概率 = 0.001-0.01。 §7.1 遗传算法原理与应用 二、遗传算法原理 对控制参数的改进 Srinvivas等人提出自适应遗传算法，即PC和Pm能够随适应度自动改变，当种群的各个体适应度趋于一致或趋于局部最优时，使二者增加；而当种群适应度比较分散时，使二者减小。同时对适应值高于群体平均适应值的个体，采用较低的PC和Pm，使性能优良的个体进