进化优化算法概述.pdfVIP

进化优化算法概述--第1页

第一章进化优化算法概述

1．1进化算法的一般框架

自1960年以来，进化算法已经发展出相当多的种类，但一般认为进化算法

[3]

有5个基本组成部分：

1．问题解的遗传表示。

2．种群的初始化方法。

3．根据个体适应度对其进行优劣判定的评价函数。

4．产生新的种群的进化算子

5．算法的参数取值

1.1.1进化优化算法解决对象的描述

进化算法主要是求解优化问题，其数学模型如下：

yfx

Maximize=()

(1.1)

g(x)

Subjecttog(x)=(,g(x)，„，g(x))0（1.2）

12m

xxXxX

其中=（，，„，），是决策向量，是决策向量形成的决策空间；

x



x

12n

yyCfx

是决策目标。这是个最大化问题，对于最小化问题可以令=-()转化为最

大化问题，因此，它们在本质上是一致的。

fx

根据优化函数()是否连续可以将最优化问题分为二大类：连续函数的最

优化与离散函数的最优化。后者也可以称为组合优化问题。根据是否包含约束条

件（1.2）可分为约束优化问题和无约束优化问题。此外，若y是一个决策向量，

则是一个多目标的优化问题，我们将在第二章进一步讨论。

1.1.2进化优化算法结构

进化算法的一般结构如图1.1所示，进化算法维持由一群个体组成的种群

Pt

()

t

(为进化代数)。每个个体代表问题的一个潜在解。每个个体通过目标函数评价

得到适应度并根据优胜劣汰的原则进行选择。被选择的个体经历遗传操作产生新

的个体,主要有两种遗传操作：杂交是将多个个体的有关部分组合起来形成新的

个体，变异是将一个个体改变而获得新的个体。新产生的个体（子代）继续被评

进化优化算法概述--第1页

进化优化算法概述--第2页

价优劣。从父代种群和子代种群中选择比较优秀的个体形成新的种群。在若干代

后，算法收敛到一个最优个体，该个体很有可能代表问题的最优或次优解。

初始化种群P(t)

评价P(t)

P(t)繁殖得R(t)