遗传算法 关于优化问题 传统的优化方法(局部优化) 共轭梯度法、拟牛顿法、单纯形方法 全局优化方法 漫步法( Random walk)、模拟退火法、GA 比较:传统的优化方法 1)依赖于初始条件。 2)与求解空间有紧密关系,促使较快地收敛到局部 解,但同时对解域有约束,如可微或连续。利用 这些约束,收敛快。 3)有些方法,如 Davison- Fletcher-Powe接依赖 于至少一阶导数;共轭梯度法隐含地依赖于梯度
遗传算法 传统的优化方法（局部优化） 共轭梯度法、拟牛顿法、单纯形方法 全局优化方法 漫步法（Random Walk）、模拟退火法、GA 关于优化问题 比较：传统的优化方法 1）依赖于初始条件。 2）与求解空间有紧密关系，促使较快地收敛到局部 解，但同时对解域有约束，如可微或连续。利用 这些约束，收敛快。 3）有些方法，如Davison-Fletcher-Powell直接依赖 于至少一阶导数； 共轭梯度法隐含地依赖于梯度
全局优化方法 1)不依赖于初始条件; 2)不与求解空间有紧密关系,对解域,无可微或连 局最优。适合于求解空间不知的情能获得全 续的要求。求解稳健,但收敛速度慢
全局优化方法 1）不依赖于初始条件； 2）不与求解空间有紧密关系，对解域，无可微或连 续的要求。求 解稳健，但收敛速度慢。能获得全 局最优。适合于求解空间不知的情况
遗传算法基本原理 模拟自然界优胜劣汰的进化现象,把搜索空间映射为遗传 空间,把可能的解编码成一个向量—染色体,向量的每个 元素称为基因。 通过不断计算各染色体的适应值,选择最好的染色体,获 得最优解。 遗传算法的基本运算 (1)选择运算 (2)交换操作 (3)变异
⑴ 选择运算 ⑵ 交换操作 ⑶ 变异 遗传算法的基本运算 遗传算法基本原理 模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传 空间，把可能的解编码成一个向量——染色体，向量的每个 元素称为基因。 通过不断计算各染色体的适应值，选择最好的染色体，获 得最优解
●选择运算 从旧的种群中选择适应度高的染色体,放入匹配集(缓冲 区),为以后染色体交换、变异,产生新的染色体作准备。 选择方法—适应度比例法(转轮法) 按各染色体适应度大小比例来决定其被选择数目的多少。 某染色体被选的概率:P。 ∑∫(x1) x;为种群中第个染色体 f(x)第个染色体的适应度值 ∑f(x)种群中所有染色休适应度值之和
●选择运算 ——从旧的种群中选择适应度高的染色体，放入匹配集（缓冲 区），为以后染色体交换、变异，产生新的染色体作准备。 选择方法——适应度比例法（转轮法） 按各染色体适应度大小比例来决定其被选择数目的多少。 某染色体被选的概率：Pc = ( ) ( ) i i c f x f x P xi 为种群中第i个染色体
具体步骤 )计算各染色体适应度值 2)累计所有染色体适应度值,记录中间累加值S-md和最 后累加值sum=∑/(x) 3)产生一个随机数N,0(N(sm 4)选择对应中间累加值S-mid的第一个染色体进入交换集 5)重复(3)和(4),直到获得足够的染色体。 举例 1.具有6个染色体的二进制编码、适应度值、P累计 值
具体步骤 1）计算各染色体适应度值 2）累计所有染色体适应度值，记录中间累加值S - mid 和最 后累加值 sum = ∑f(xi ) 3） 产生一个随机数 N，0〈 N 〈 sum 4） 选择对应中间累加值S - mid 的第一个染色体进入交换集 5） 重复（3）和（4），直到获得足够的染色体。 举例： ⒈具有6个染色体的二进制编码、适应度值、Pc累计 值