分享,拿去。
孟晓春 两种智能优化算法及其应用个个体的选择概率创建一个赌轮,然后选取4次,每次先产生一个0～1的随机小数,然后判断该随机数落在哪个段内就选取相对应的个体.这个过程中,选取概率P高的个体将可能被多次选择,而概率低的就可能被淘汰.被选中的个体将进入配对库(matingpool,配对集团)准备开始繁殖.
简单交叉:先对配对库中的个体进行随机配对.然后在配对的两个个体中设置交叉点,交换两个个体的信息后产生下一代.比如:(|代表简单串的交叉位置)
(0110|1,1100|0)--交叉-->(01100,11001)
(01|000,11|011)--交叉-->(01011,11000)
两个父代的个体在交叉后繁殖出了下一代的同样数量的个体.
复杂的交叉在交叉的位置、交叉的方法、,的后代.
变异:变异操作是按照基因座来的.比如说,体有5个基因座,.变异的结果是基因座1或1变成0.至此,我们已经产生了一个新的(下一代),,生生不息下去.
,GA的求解为下列六步:
1)选择编码方式和编码:GA在执行求解之前,首先要选择合适的编码方式,将待求解问题的所有参量编码成一个定长的字符串,设串长为L.目前,常使用的编码方式主要是二进制码.
2)产生初始种群:经典遗传算法是按随机方法产生一组原始解,表示为N个初始字符串,每个字符串称为一个个体,这N个个体就构成了一个群体.GA以这N个字符串作为初始点开始迭代计算,但这样就可能导致初始种群在解空间分布的不均匀,从而影响算法的性能.要得到一个好的初始种群,可以将一些实验设计方法,如均匀设计或正交设计与遗传算法相结合.吴斌[2]指出初始种群的各个个体之间应保持一定的距离,并定义相同长度的以某一常数为基的两个字符串中对应位不同的数量为两者的广义海明距离.要求入选种群的所有个体之间的广义海明距离必须大于等于某个设定值.初始种群采取这种方式就能保证随机产生的各个体间有较明显的差别,使它们能较均匀地分布在解空间上保证初始种群含有较为丰富的模式,从而增加搜索收敛于全局最优解的可能.
3)计算适应度函数值:适应度函数反映了个体对环境适应能力的强弱,用来区分群体中个体好坏的标准,是自然选择的唯一标准,选择的好坏直接影响算法的优劣,引入适应值调节和资源共享策略可以加快收敛速度和跳出局部最优点.对适应值进行调节就是通过变换改变原适应值的比例关系,常用的比例关系有线性变换、乘幂变换和指数变换等.根据对它的计算值,可以很好地控制个体生存的机会,以体现适者生存的自然法则.一般来说,对于不同的问题,适应度函数的定义方式也不尽相同.
4)选择:选择也称复制或繁殖,是从旧种群中选择优质个体,淘汰部分个体,产生新种群的过程.选择不产生新的个体,而使优质个体得到复制,可使种群的平均适应度f得到提高.可见它模拟了生物界的“优胜劣汰”.选择的方法有多种,无论哪种,都与适应度有关,且选择的主要思想是个体的选择概率正比于其适应度.常用的选择方法有:轮盘赌法、期待值法、两两竞争法、保留最优个体法.
5)交叉:交叉是将选择后的种群个体放入交配池(matingpool)随机地配对,称之为父代.按照选定的交叉方式及确定的交叉概率,把成对个体的基因部分地交换,形成一对子代.可见交叉后,生成新的个体.交叉方法包括一点交叉、多点交叉、均匀交叉.
6)变异:首先在群体中随机地选择一个个体,对于选中的个体以一定的概率随机地改变字符串中某位上的字符的值.当采用二进制码串时就是将选中位上的1变为0或0变为1.因变异发生的概率很低,故单靠其并不能使问题求解取得明显进展,但它能确保产生能继续进化的单一群体,因为新的个体产生提供机会.遗传算法经历上述6个步骤并执行6至3步的循环操作,求出问题的最优解.
总之,遗传算法理论与技术研究主要是从遗传操作、群体大小、参数控制、适应度评价以及并行实现技术等方面来提高遗传算法的性能,而应用研究相对较薄弱,故今后开发遗传算法的商业软件、开拓更广泛的 94
