版权说明:本文档由用户提供并上传,收益归属内容提供方,若内容存在侵权,请进行举报或认领
文档简介
1、遗传算法(续),3遗传算法的改良基于CHC算法适应遗传算法小学生环境技术的遗传算法4遗传算法的应用制约函数最优化问题解决多目标优化问题解决组合优化问题遗传算法在模式识别上的应用, 3采用遗传算法的改良混合遗传算法的动态适应技术的非标准遗传操作算子的并联遗传算法等。 遗传算法的改良、改良构想1991年Eshelman提出的改良遗传算法c :世代间精英阶层选择(crossgenerationalelitistselection )策略h :异物种类重组(Heterogeneous recombination ); c :大变异(Cataclysmic mutation )。 1. CHC算法,遗传
2、算法的改良,将上一代的个体群和用新的交叉方法产生的个体群混合,从其中以一定的概率选择优秀个体的交叉操作造成的劣化个体即使很多,由于原个体群的很多个体残留,所以能够更好地保持不会引起个体的评估价值降低的遗传多样性的排序方法是、CHC算法、遗传算法的改良、交叉均匀交叉的改良: 2个母个体的二进制位值不同的二进制位数为m时,从其中随机选择m/2个位置,执行母个体的二进制位值的交换,这种操作对模式具有很强的破坏性。 如果个体间距低于该阈值,则确定不进行交叉操作的阈值。 进化收敛后,在云同步上,逐渐减小该阈值。 CHC算法、遗传算法的改良、变异在进化前期不采取变异操作,当种群在一定收敛时期进化时,从最佳
3、个体中选择一部分个体进行初始化的初始化:选择一定比例(扩散速率,一般为0.35 )的基因座,随机决定它们的二进制位值。CHC算法、遗传算法的改进、残奥仪分析交叉概率Pc和突变概率Pm的选择在影响遗传算法行为和性能的关键方面,直接影响算法的收敛性。 Pc越大,新个体的发生速度越快,但一过大会,优秀个体的结构就会立即被破坏。 Pc太小,搜索过程太慢,不能停止的Pm太小,难以产生新的个体结构,Pm太大,成为纯粹的随机搜索的2适应遗传算法,遗传算法的改良,适应策略Srinvivas等Pc和Pm可以根据适应度自动变化的适应遗传对于适应度高的个体,与低Pc和Pm对应的低适应度的个体与高Pc和Pm对应。 自
4、适应遗传算法、遗传算法的改良、自适应方法fmax群中最大的每个自适应度值favg世代的平均自适应度值f交叉的2个个体中大的自适应度值f交叉或变异的个体自适应度的值、自适应遗传算法、k1、k2、k3、k4取(0,1 )的值,遗传算法的改良、自适应前期优秀个体可能是局部最有利的,因此采用了将最大适应度个体的交叉概率和变异概率从0提高到Pc2和Pm2的精英阶层选择策略,遗传算法的改良,适应方法的进一步改良,适应遗传算法,遗传算法的改良, 小学生环境概念小学生环境(niche ) :在生物科学特定环境下的组织机能自然段中,通常聚集特征性性状相似的物种,在同类中使子孙后代交配繁衍生息。 在SGA中,“近
5、亲繁殖”容易的NGA(Niche Generic Algorithm )将各世代的个体分为几个等级,各等级选择优秀的个体构成一个个体群的优点:维持解的多样性,提高全球搜索能力,最适合复杂的多峰函数的优化3、基于小生环境技术的遗传算法、遗传算法的改进、选择策略预选反应历程、排斥反应历程、共享反应历程预选(preselection,1970 )当反应历程子个体的适应度超过母个体的适应度时,子个体可以取代母个体,否则母个体可以有效地维持剩馀个体群的多样性基于生境技术的遗传算法、遗传算法的改良、排除(crowding,1975 )反应历程设置排除因子CF(CF=2或3 ),随机选择1/CF的个体构成排
6、除成员,排除与其相似的个体的个体间的相似性,可以通过个体查询密码列间的海明距离来测定。 基于小生环境技术的遗传算法、遗传算法的改进、共享(sharing,1987 )反应历程是通过个体间相似程度的共享函数来调节各个体适应度的共享函数的目的:地理区分搜索空间的多个峰,在各峰中接受一定比例的个体, 比例数表示与峰值高度相关的基于小学生环境技术的遗传算法、遗传算法的改良、共有(sharing,1987 )反应历程共有函数的值越大,个体间越类似,Sh(dij ),dij是两个个体I和j之间的距离。 share是niche的半径,由用户指定。 基于栖息技术的遗传算法、遗传算法的改良、共享(sharing
7、,1987 )反应历程共享法降低了个体的适应度,即适应度值fi除以一个niche计数mi :在距离在share范围内的个体之间削减适应度, 这些个个体包含在一个niche内的基于小学生环境技术的遗传算法,4遗传算法的应用,制约最优化问题的表现,1制约函数最优化问题的解决,遗传算法的应用,解决制约问题的无制约问题(罚函数法, peel无约束问题的方法已得到改进,可以用于有约束的情况(梯度心理投射算法),发展缓慢。 解决遗传算法有制约的问题的关键是制约条件的处理(不能在没有制约的问题上直接处理:随机生成的初期点上有很多不可能解的遗传算子作用于可行解的话,有可能产生不能执行解)。 约束函数最优化问题
8、、遗传算法的应用、一般方法罚函数法将罚函数纳入适应度评价:关键是如何设定罚函数、是否太轻、是否太重,应慎重找出惩罚平衡,并对不同问题设定罚函数。 约束函数最优化问题、遗传算法的应用、一般方法协同进化遗传算法(Coevolutionary Genetic Algorithm,1997 )食物链关系、基于内共生等的生物进化现象称为协同进化的一个种群由问题的解构成,另一个种群由约束构成,两个种群协同进化解决约束函数最优化问题,罚函数法评价函数的构造:加法乘法、遗传算法的应用、约束函数最优化问题的解决、罚函数法罚函数分类:惩罚简单约束问题变量的复杂约束问题,包括可变惩罚率和违反约束的惩罚量两部分。 遗
9、传算法的应用解决了约束函数最优化问题,约束违反的程度随着约束违反的程度变得严重而增加惩罚压力,静态惩罚增加的进化迭代次数随着进化过程的发展而增加惩罚压力,动态惩罚。 尺罚函数交叉运算:设母个体为x=x1,x2,xn和y=y1,y2,yn单纯交叉单点算术交叉整体的算术交叉方向的交叉: x=r(x-y) x,r为(0)遗传算法的应用,限制函数最优化问题的解决,罚函数法变异演算:将母体设为x=x1,x2,xn均匀变异(动态变异)边界变异: x=x1,x2,xk,xn方向变异: x=x rd, d是目标函数的近似梯度,遗传算法的应用,约束函数最优化问题的解决,遗传算法的应用,求解线性约束最优化问题的遗
10、传算法线性约束最优化问题一般形式是约束函数最优化问题的解决,遗传算法的应用, 求解线性约束最优化问题的遗传算法线性约束最优化问题:目标函数是可线形函数还是不可线形函数可思维方法的变量,等式约束设置修正罚函数设置修正特殊遗传操作,约束函数优化问题的解决,遗传算法的应用,多目标优化问题解的存在性的解决,2多目标优化问题的解决,遗传算法的应用, Pareto最优性理论是k个目标函数最小化的问题中,如果不存在决定向量x*F为Pareto最佳的另一个决定向量xF,则对云同步满意,多目标最优化问题、遗传算法的应用、Pareto最优性理论多目标最优化问题的解通常是多个满足解的集合,而Pareto 解决多目标
11、最优化问题、遗传算法的应用、传统方法多目标加权法层次优化法目标修正法等特征:将多目标函数转换为单目标函数处理,只能得到特定条件下的帕累托解。 解决多目标最优化问题、遗传算法的应用、多目标优化遗传算法的优点:不仅可以并行处理可能解的定径套的Pareto尖端的形状和连续性,也容易处理不连续凹形的Pareto尖端。 现在基于Pareto的遗传算法占了主要地位。 解决多目标最优化问题、遗传算法的应用、多目标优化的遗传算法聚合函数方法:无需改变以多个目标函数表示为一个目标函数作为遗传算法自适应函数(聚合)的遗传算法,但权重难以确定的改进:自适应字体粗细值。 多目标最优化问题、遗传算法的应用、多目标优化的
12、遗传算法向量评价遗传算法(非Pareto法): 子种群发生按目标函数分别选择。 基于多目标最优化问题、遗传算法的应用、多目标优化的遗传算法排序的多目标遗传算法:根据“帕累托最优个体”的概念对整个个体排序,并根据该排序对进化过程中的选择运算,使得上位帕累托最优个体将更多的机会遗传给下一代集团。 多目标最优化问题、遗传算法的应用、多目标优化的遗传算法小生环境Pareto遗传算法:使种群向在Pareto顶端面均匀分布的方向进化,通过共享函数定义小生环境来实现,以保证优良的过程不收敛于具有可执行区域的局部。 多用途最优化问题、遗传算法的应用、解决TSP Benchmark问题41 94的37 84;
13、54、67; 25、62; 七六四二九六八; 71 44; 54、62; 83、69; 64 60; 18 54 22 60; 83、46; 91 38 25 38 24 42; 58 69 71 71; 74、78; 87 76; 18 40; 13 40; 82七六二三二; 58 35 45 21; 41二六四三五; 解决450、3组合最优化问题,遗传算法的应用,TSP Benchmark问题查询密码:采用直接解的表达形式,30二进制位(30个城市)长,各代表通过的城市号码(无重复); 适应度函数:个体表示的路径距离的倒数选择:轮盘赌方法、组合最优化问题的解决、遗传算法的应用、TSP Be
14、nchmark问题交叉:有序交叉法1 )随机选择两个道路交叉口2 )两个母个体交换中间部分3 )交换后交换重复的城市号码。解决组合关最优化问题字,x 133609|4561|32 x 2336087|1432|95、x 133609|1403|32x 233608|457|965 x 133609|14032|756 x 2336083|4561|902,遗传算法初始残奥表:种群规模100交叉概率0.8变异概率0.8代数2000结束,组合最优化问题解决,遗传算法的应用,TSP Benchmark问题执行结果:组合最优化问题解决,遗传算法TSP Benchmark问题执行结果:组合最优化问题解决,遗传算法的应用, TSP Benchmark问题执行结果:组合最优化问题解析,遗传算法的应用,TSP Benchmark问题执行结果:组合最优化问题解析,遗传算法的应用,tsp组合最优化问题的解析,遗传算法的应用, TSP Benchmark问题的执行结果:组合最优化问题的解决、遗传算法的应用、遗传算法的特征提取目的:从可能的m个特征中根据某个评价标准选择d个特征(md )。 4遗传算法在模式识别中的应用,遗传算法的应用,遗传算法对特征提取个体的表达方法:长度为l的个体对应于l维的二进制特征向量,其各二进制位表示是包含还是排除对应的特征。 一个个体是
温馨提示
- 1. 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
- 2. 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
- 3. 本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
- 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
- 5. 人人文库网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
- 6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
- 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。
最新文档
- 2026年猎头行业行业痛点与解决方案报告
- 2026年保健食品细分市场研究报告:行业增长潜力分析
- 2026年物流行业组织架构优化与部门职责流程再造报告
- 2026年写字楼市场政策影响与商业地产投资策略报告
- 2026年汽车行业智能化升级报告及未来五年发展趋势分析
- 2026年医药行业报告:创新药物发展与市场前景分析
- 2026年电子信息制造行业分析报告:智能技术绿色生产新篇章
- 2026年健康产业市场细分与消费者需求分析报告
- 2026年区块链技术应用行业硬件销售前景研究报告
- 2026年信息技术行业资金链稳定与分红策略报告
- 2025年石河子大学马克思主义基本原理概论期末考试真题汇编
- 2026年医疗保险审核部门面试题及应对策略
- 2026-2031中国法兰行业市场前景分析预测报告
- 施工便道临时方案
- 信息科技课程标准2025年版
- 眼科手术并发症处理规定
- 风机叶片覆冰安全培训课件
- 2025云南曲靖市人力资源和社会保障局招聘公益性岗位工作人员3人考试参考题库及答案解析
- 医院服务接待礼仪
- 《中职语文基础知识手册》全套教学课件
- 【MOOC】人工智能与信息社会-北京大学 中国大学慕课MOOC答案
评论
0/150
提交评论