智能优化算法_改讲解.pptx

1 目录 遗传算法概述 遗传算法原理 遗传算法应用 1.遗传算法 粒子群算法概述 粒子群算法原理 粒子群算法应用 2.粒子群算法 2 3 第一章 遗传算法——遗传算法概述 1、遗传算法起源 遗传算法是由美国的J. Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化有哪些信誉好的足球投注网站算法 。 2、遗传算法的有哪些信誉好的足球投注网站机制 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 4 第一章 遗传算法——遗传算法原理 编码：GA是通过某种编码机制把对象抽象为由特定符号按一定顺序排成的串。正如研究生物遗传是从染色体着手，而染色体则是由基因排成的串。 常用编码方式有： 二进制编码：1001（9）、110（6）··· 格雷码编码：000（0）、001（1）、011（2）··· 实数编码：1、2、3、4··· 符号编码：A、B、C、D··· 5 第一章 遗传算法——遗传算法原理 适应度函数：遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。 适应度函数的设计主要满足以下条件: 1)单值、连续、非负、最大化. 2)合理、一致性. 3)计算量小. 4)通用性. 6 第一章 遗传算法——遗传算法原理 选择算子：个体被选中的概率与其适应度函数值成正比。 设群体大小为n，个体i的适应度为Fi，则个体i被选中遗传到下一代群体的概率为： 轮盘赌选择 随机遍历抽样 截断选择 局部选择 锦标赛选择 7 第一章 遗传算法——遗传算法原理 交叉运算：指对两个相互配对的染色体依据交叉概率 Pc 按某种方式相互交换其部分基因，从而形成两个新的个体。交叉运算是遗传算法区别于其他进化算法的重要特征，它在遗传算法中起关键作用，是产生新个体的主要方法。 例如：单点交叉中 交叉后： 00000|00000111111000101 11100|01110000000010000 交叉前： 00000|01110000000010000 11100|00000111111000101 8 第一章 遗传算法——遗传算法原理 变异运算：是指依据变异概率 Pm 将个体编码串中的某些基因值用其它基因值来替换，从而形成一个新的个体。遗传算法中的变异运算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，同时保持种群的多样性。交叉运算和变异运算的相互配合，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。 例如，SGA中变异算子采用基本位变异算子。 变异前：000001110000000010000 变异后：000001110001000010000 9 第一章 遗传算法——遗传算法原理 运行参数： （1）M ： 种群规模 （2）T ： 遗传运算的终止进化代数 （3）Pc ： 交叉概率 （4）Pm ： 变异概率 10 第一章 遗传算法——遗传算法原理 基本遗传算法（SGA）框图： 11 第一章 遗传算法——遗传算法应用 应用准备： 操作系统：Windows 7 及以上 基本工具：Matlab 2012b及以上，Ga工具箱必须安装 12 第一章 遗传算法——遗传算法应用 Matlab GA工具箱使用简介 [x,fval]= ga(fitnessfun,nvars,A,b,Aeq,beq,lb,ub,nonlcon,options) 输出函数： X---最优解 fval----最优适应度 输入函数 fitnefun---适应度函数 nars-----变量个数 输入参数 A,b ------不等式约束Ax=b Aeq,beq-----等式约束Aeq=beq lb,ub---------变量的上下限lb=x=ub nonlcon------------非线性函数约束 option------传递给ga的参数，不写MATLAB自动取默认值，参考gaoptimset 13 第一章 遗传算法——遗传算法应用 实际案例： 某公司对一项目进行投资，经过分析计算，以公司运营成本减少为正方向，该项目的运营成本与公司激励程度（下称激励系数，负向指标，取值范围0~1）和员工努力程度（下称努力系数，正向指标，取值范围0~13）有如下约定及关系： 称努力系数与激励系数之乘积为协作系数，为负向指标 按照当地法规，公司激励相对员工努力不得小于一定阈值，即：协作