智能优化方法课程论文.docVIP

智能优化方法课程论文 ——基于食物链捕食模式的三种群协作遗传算法实验 侯树卫 1.实验目的 通过编程实现基于食物链捕食模式的三种群协作遗传算法，对函数进行优化，将其与标准的遗传算法优化效果进行对比分析，得出一定的结论。同时，在试验过程中学习熟悉遗传算法。 2.技术方案 在遗传算法基础上，进一步模拟自然界的生物进化过程。自然界生物的进化还受到食物链的影响，被捕食和获取食物直接影响生物进化过程。设想，有三个初始种群，按捕食和食物间的一定关系进行协作，会对遗传算法优化效果有一定提升。 算法的流程如下： 采用实数编码，设置变异参数、种群数量等，生成三个初始种群； 计算适应度； 进入迭代： 处理第三个种群： 第三个种群中所有适应度坏于第二种群平均适应度的个体，作为食物被第二种群分配；删除作为食物的个体。 按一定选择方式选择父代，交叉产生子代，进行变异； 处理第二个种群： 按一定方式分配由第三种群获取的食物，食物低于一定值的个体死亡，作为第一种群食物，同时，对第二种群中适应度坏于第一种群平均适应度的个体，也作为第一种群食物，作为食物的个体删除。 按一定选择方式选择父代，交叉产生子代，进行变异； （3）处理第一个种群： 按一定方式分配由第三种群获取的食物，食物低于一定值的个体死亡、删除。然后，按一定选择方式选择父代，交叉产生子代，进行变异。 （4）每个种群中的最好个体替代最差个体；所有种群中的最好个体分别替代每个种群中的最差个体。 （5）计算适应度； （6）继续循环直至满足终止条件； 4.输出优化的结果，算法结束。 算法采用的交叉方式为多点交叉，即随机选择一半的位串，在父代间交叉。采用的变异方式有：以位串平均值为准按比例上下随机浮动；以位串平均值为准，以取值范围一定比例随机上下浮动；以位串平均值为准，按方差上下随机浮动；以最每代最好个体位串值为准，按同样方式上下随机浮动以及高斯变异。算法中的交叉系数a，变异系数pm、种群规模等根据算法运行情况调整。 3.实验结果及分析 通过相同数量个体下，分三种群协同进化和单种群进化进行对比。其他参数相同，个体总数为150。 三个种群捕食关系为：pop1吃pop2，pop2吃pop3。 在迭代代数为300，变异概率为0.3，交叉系数a为0.1参数下，对测试函数一进行优化，分别运行五次。最后的优化结果如下： classicga1: 3.515301e-017 classicga1: 4.811999e-017 classicga1: 6.306604e-018 classicga1: 8.110289e-018 classicga1: 1.177726e-017 foodchain1: 1.795252e-025 foodchain1: 1.803103e-025 foodchain1: 1.019144e-024 foodchain1: 7.066503e-025 foodchain1: 1.062899e-024 classicga2: 2.393638e-029 classicga2: 9.651748e-030 classicga2: 1.393717e-029 classicga2: 3.456894e-029 classicga2: 2.568764e-029 foodchain2: 1.739845e-026 foodchain2: 1.724897e-027 foodchain2: 5.407059e-026 foodchain2: 2.292180e-025 foodchain2: 1.241327e-026 classicga21: 1.513442e-022 classicga21: 4.744149e-022 classicga21: 7.380783e-023 classicga21: 1.037500e-023 classicga21: 1.369897e-022 foodchain21: 4.817046e-028 foodchain21: 9.183365e-029 foodchain21: 2.496357e-028 foodchain21: 5.246736e-029 foodchain21: 3.771595e-029 classicga22: 1.906018e-003 classicga22: 2.668078e-004 classicga22: 4.9