1、修改参数,测试多样性.docVIP

1、修改参数，测试多样性 2、测试位爬山变异 3、序列小生境的系数计算方式 4、序列小生境的惩罚方式 5、根据小生境数的自适应交叉变异 6、共享小生境的实现 7、共享小生境与序列小生境的联合 8、插入删除1是可以改进 9、初始群体可以改进 前期根据距离密度自适应交叉变异 Di越大说明该个体的密集程度越高，交叉变异以较高的固定的概率进行，使得个体尽可能的分散开；Di越小说明该个体比较分散，交叉变异的概率随着Di的减小而呈线性递减变化，因此要求。 后期根据适应度自适应交叉变异： 线性： 一元二次函数： 指数： 指数： 距离或相似性度量有没有更好的办法？ 生成小生境核队列的方法： 在第一阶段的每一代选择前几个最优的个体组成 在第一阶段的最后几代选择前几个最优的个体组成 在整个迭代过程中不断选择合适的个体组成（把它当作另一种算法） 生成小生境核队列需要的参数有： 开始的代数，结束的代数（第一阶段的代数） 小生境核的最小距离 每一代选择的较优个体的数目 设置自适应交叉变异的参数： 分界的代数 第一阶段的函数类型，参数k1，参数k2 第二阶段的函数类型，MaxP，MinP，Alpha，PStep 得到自适应交叉变异的概率需要的参数： 代数 第一阶段：AvgD、MinD、Di 第二阶段：MaxF、AvgF、MinF、Fi、D 惩罚/变异的参数 第一阶段：位变异方法，距离密度越大，变异概率越大（距离密度能否归1化？）。系数惩罚方法，距离密度越大，惩罚系数越大。直接使用上述交叉变异概率的公式？ 第一阶段的过程 适应值惩罚（初始适应值不合理） 位变异（初始适应值合理） 父：计算选择概率 父：计算群体的距离密度 选择一个个体 交叉，AfterCrossover 不计算适应值 对交叉个体计算适应值 加入子群体中，AddIndividual、BeforeAdd、 加入前对每一个个体计算适应值 加入前不计算个体适应值 子：计算群体的距离密度 子：变异，BeforeMutate、AfterMutate、 对变异个体计算适应值 对变异个体计算适应值 子：精英策略 子：性能评价 子：解处理 子：形成小生境核队列 子：结束判断 子：惩罚/变异 对变异个体计算适应值 用子群体替换父群体 问题与讨论 生成预备小生境核队列的条件，即：在何时产生预备小生境核队列比较合适（预备核比较均匀）？方法1：统计距离方差不再增加后连续5代的平均距离、多样性的期望，如果以后某一代的平均距离和多样性比较稳定（相对误差比较小），距离方差比较大时，可以产生预备小生境核队列。方法2：连续两次迭代的距离均值、距离方差、多样性变化（绝对误差）都比较小时，可以生成预备小生境核队列。方法3：连续两次迭代的距离均值、距离方差、多样性的变化（相应参数连续两代的比值）都比较小时，可以生成预备小生境核队列。 预备小生境核间距离如何确定？数目如何确定？ 第一阶段的选择方法是否可以改成按距离密度选择？距离密度越大，选择几率越高。或随机选择 根据实验经验，第一阶段的效果与群体规模有较大关系，规模大时效果好，规模小时效果差些，规模大时比较容易看出规律。但就算是效果较好时也有一定的随机，也有一些随机误差。根据实验经验，当fK1,fK2都比较小时，效果较差；当fK1,fK2比较大时效果较好，越大越好，都应在0.5以上；当fK2-fK1较小时效果比较稳定，迭代代数较多；当当fK2-fK1较大时效果稳定比较差，随机性较大，迭代代数较少。 第一阶段效果不佳的原因可能是每一次迭代选择的个体较多，交叉变异幅度过大造成的。因此可以改进算法如下：在每一代中随机的选择少量几个距离密度较大的个体进行交叉变异，然后替换原来的个体，重复一直到多样性不在增加。 能否把第一阶段改成如下形式：随机的选取若干个距离密度较大个体进行交叉变异，并替代原来的个体，这个过程一直进行到个体分布比较均匀，或多样性不再提高为止。 如何比较均匀的选择预备小生境核？比较核间距离和随机选择相结合。 个体间的距离如何确定？衡量个体距离的方法。 如何度量个体分布的离散程度？衡量第一阶段效果的标准和方法是什么？对于实数编码求数值问题是否比较容易衡量一些？ 小生境半径如何确定？如何自适应确定小生境半径？小生境半径与预备小生境核间距离有何关系？ 第二阶段每一代同时进行有哪些信誉好的足球投注网站使用的小生境数目如何确定？能否是全部小生境核队列？ 第二阶段中，如果交叉变异后的个体不属于任何一个小生境该如何处理？是否会增加运行时间？ 是否可以用来实数编码进行数值优化？对于实数编码可以比较容易的控制个体的离散程度、个体距离、以及交叉变异的范围(小生境的半径)，因此用于实数编码是否更有优势？ 本算法是否可以用来进行数据分类或聚类？ 令