P2遗传算法.ppt

Tournament Selection 5.2 Recombination Crossover Discrete Recombination Can be applied to all variable representations. Discrete Recombination Discrete Recombination individual 1 12 25 5 individual 2 123 4 34 sample 1 2 2 1 sample 2 1 2 1 offspring 1 123 4 5 offspring 2 12 4 5 Intermediate Recombination Intermediate Recombination Intermediate Recombination Intermediate Recombination individual 1 12 25 5 individual 2 123 4 34 sample 1 0.5 1.1 -0.1 sample 2 0.1 0.8 0.5 offspring 1 67.5 1.9 2.1 offspring 2 23.1 8.2 19.5 Line Recombination Line Recombination Single-point Rrossover Multi-point crossover Multi-point Crossover C1: 1011|0001|100 C2: 0010|1101|001 C1’: 1011|1101|100 C2’: 0010|0001|001 Uniform Crossover 掩码交换 父辈1 父辈2 模板（M）子辈1 子辈2 5.3 Mutation Real valued mutation Binary mutation Breeder Genetic Algorithm Breeder Genetic Algorithm 5.4 微种群算法 SGA种群规模大30~200 种群小 计算简单、速度快、易陷入局部最优 随机产生小种群，实施精英选择策略 微种群算法 随机选择规模为5的种群；或4个是随机选择，1个来自前一次有哪些信誉好的足球投注网站。 计算适应度并确定最好的串，将其标记为5，直接传到下一代。 按确定性竞赛选择策略选择其余的4个串进行复制（5选4），同时应避免下一代中同一串有两个复制品。 按概率1进行交叉运算，变异概率为零。 检验收敛条件。如果收敛转步骤1；否则转步骤2。 微种群算法 收敛条件 最大适应度个体与其他4个个体的基因差异率是否低于设定值（5%） 微种群算法在进化过程中，以合理的间隔，通过“启动-再启动”过程，不断引入恒定数目的新种群，寻求好的个体，避免早熟且收敛速度快。 微种群算法与标准遗传算法比较 6 遗传算法的应用 优化控制 目标函数说明 仿真序号 TSP问题-变异 TSP问题-交叉 TSP问题-交叉 Inputs: Chromosomes ga = (D, H, B, A, C, F, G, E) gb = (B, C, D, G, H, F, E, A). Outputs: The offspring g = (H, B, A, C, D, G, F, E) 7 遗传算法的有关问题说明 遗传算法易于使用，但不易使用得好。 如果有其他的方法，不要使用遗传算法。 遗传算法不能解决所有问题。 遗传算法只是进化论算法性能较强的几个分支之一。 作业 选择一个多层感知器的实例，比较反向传播算法与遗传算法的性能差异。根据实验结果，写一篇5000字左右的论文。 二进制编码与非二进制编码 相同的解的数量 提供的图式数量 多参数优化问题的编码 已编码整数的线性映射 映射的精度 构造多参数的编码 按要求将单参数编码连接起来即可，每一个码可以有自己的子长度和取值范围。 4.2 适应度函数 适应度函数值非负 待优化问题表述为最大化问题 目标函数最小化 可以当作输入参数、所观测到的最大值、当前或前k代种群中的最大值。 目标函数