遗传算法原理及应用课件.pptVIP

2、遗传算法的改进 遗传欺骗问题：在遗传算法进化过程中，有时会产生一些超常的个体，这些个体因竞争力太突出而控制了选择运算过程，从而影响算法的全局优化性能，导致算法获得某个局部最优解。 遗传算法的改进途径 （1）对编码方式的改进 （2）对遗传算子 的改进 （3）对控制参数的改进 （4）对执行策略的改进 对编码方式的改进 二进制编码优点在于编码、解码操作简单，交叉、变异等操作便于实现，缺点在于精度要求较高时，个体编码串较长，使算法的有哪些信誉好的足球投注网站空间急剧扩大，遗传算法的性能降低。格雷编码克服了二进制编码的不连续问题 ，实数编码改善了遗传算法的计算复杂性 。 格雷码编码：格雷码编码方法是二进制编码方法的一种变形。它是这样的一种编码方法, 其连续的两个整数所对应的编码值之间仅仅只有一个码位是不相同的, 其余码位都完全相同。格雷码有这样一个特点: 任意两个整数的差是这两个整数所对应的格雷码之间的海明距离。这一特点是遗传算法中使用格雷码来进行个体编码的主要原因，提高遗传算法的局部有哪些信誉好的足球投注网站能力。 二进制码-格雷码（编码）：从最右边一位起，依次将每一位与左边一位异或，作为对应格雷码该位的值，最左边一位不变（0111-0100,1010-1111,1111-1000）。 实数编码：对于一些多维、高精度要求的连续函数优化问题, 使用二进制编码来表示个体将会带来一些不利, 例如, 二进制编码存在着连续函数离散化时的映射误差, 同时不便于反映所求问题的特定知识。为了克服这些缺点, 人们提出实数编码方法, 即个体的每个基因值用实数表示。 对遗传算子 的改进 排序选择 均匀交叉 逆序变异 （1） 对群体中的所有个体按其适应度大小进行降序排序； （2） 根据具体求解问题，设计一个概率分配表，将各个概率值按上述排列次序分配给各个个体； （3） 以各个个体所分配到的概率值作为其遗传到下一代的概率，基于这些概率用赌盘选择法来产生下一代群体。 对遗传算子 的改进 排序选择 均匀交叉 逆序变异 两个配对个体的每一位基因都以相同的概率进行交换,从而形成两个新个体。具体操作过程如下： （1） 随机产生一个与个体编码长度相同的二进制屏蔽字P = W1W2…Wn ； （2） 按下列规则从A、B两个父代个体中产生两个新个体X、Y：若Wi = 0，则X的第i个基因继承A的对应基因，Y的第i个基因继承B的对应基因；若Wi = 1，则A、B的第i个基因相互交换，从而生成X、Y的第i个基因。 对遗传算子 的改进 排序选择 均匀交叉 逆序变异 变异前： 3 4 8 | 7 9 6 5 | 2 1 变异后： 3 4 8 | 5 6 9 7 | 2 1 对控制参数的改进 Schaffer建议的最优参数范围是： M = 20-100， T = 100-500， Pc = 0.4-0.9， Pm = 0.001-0.01。 对控制参数的改进 Srinvivas等人提出自适应遗传算法，即PC和Pm能够随适应度自动改变，当种群的各个个体适应度趋于一致或趋于局部最优时，使二者增加，而当种群适应度比较分散时，使二者减小，同时对适应值高于群体平均适应值的个体，采用较低的PC和Pm，使性能优良的个体进入下一代，而低于平均适应值的个体，采用较高的PC和Pm，使性能较差的个体被淘汰 。 对执行策略的改进 混合遗传算法：对于每个新产生的后代在其进入下一代群体之前应用局部优化技术，使之移动到最近的局部最优点。 并行遗传算法：遗传算法在解决一些实际问题时,由于它一般具有较大的群体规模,需要对较多的个体进行大量的遗传和进化操作,特别是要对大量的个体进行适应度计算或评价, 从而使得算法的进化运算过程进展缓慢,难以达到计算速度的要求, 因而遗传算法的并行计算问题受到重视。 三、遗传算法的应用 1、遗传算法的应用领域 2、遗传算法的应用示例 1、遗传算法的应用领域 （1）组合优化 （2）函数优化 （3）自动控制 （4）生产调度 （5）图像处理 （6）机器学习 （7）人工生命 （8）数据挖掘 遗传算法应用于组合优化 随着问题规模的增大，组合优化问题的有哪些信誉好的足球投注网站空间也急剧扩大，有时在计算机上用枚举法很难甚至不可能求出其最优解。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、网络路由等具有NP难度的组合优化问题上取得了