《遗传算法的改进》.ppt

该【《遗传算法的改进》 】是由【相惜】上传分享，文档一共【22】页，该文档可以免费在线阅读，需要了解更多关于【《遗传算法的改进》 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。遗传算法的改进编辑课件遗传算法的改进自从1975年Holland系统地提出遗传算法的完整结构和理论以来,众多学者一直致力于推动遗传算法的开展,对编码方式、控制参数确实定、选择方式和交叉机理等进行了深入的探究,引入了动态策略和自适应策略以改善遗传算法的性能,提出了各种改进的遗传算法。下面介绍几种改进的遗传算法。编辑课件分层遗传算法编辑课件编辑课件CHC算法CHC算法是Eshelman于1991年提出的一种改进遗传算法,第一个C代表跨世代精英选择(Crossgenerationalelitistselection)策略,H代表异物种重组,第二个C代表大变异。CHC算法与根本遗传算法不同点在于:1、选择通常,遗传算法是依据个体的适应度复制个体完成选择操作的,而在CHC算法中,上世代种群与通过新的交叉方法产生的个体群混合起来,从中按一定概率选择较优的个体。这一策略称为跨世代精英选择。编辑课件2、交叉CHC算法使用的重组操作是对均匀交叉的一种改进。当两个父个体位置相异的位数为m时,从中随机选取m/2个位置,实行父个体位置的互换。显然,这样的操作对模式具有很强的破坏性。因此,确定一阀值,当个体间的海明距离低于该阀值,不进行交叉操作。并且,随着种群的进化,逐渐减小该阀值。3、变异CHC算法在进化前期不采取变异操作,当种群进化到一定的收敛时期,从优秀个体中选择一局部个体进行初始化。初始化的方法是选择一定比例的位置,随机决定他们的值。这个比例值称为扩散率,。编辑课件自适应遗传算法遗传算法的参数中交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键所在,直接影响算法的收敛性,Pc越大,新个体产生的速度就越快,然而Pc过大时遗传模式被破坏的可能性也越大,使得具有高适应度的个体结果很快就被破坏;但是如果Pc过小,会使搜索过程缓慢,一直停滞不前。对于变异概率Pm,如果Pm过小,就不易产生新的个体结构,如果Pm取值过大,那么遗传算法就变成了随机搜索算法。Srinvivas等提出了一种自适应遗传算法,Pc和Pm能够随适应度自动改变。编辑课件算法思想:对于适应度高与群体平均适应值的个体,相对应于较低的Pc和Pm,使该解得以保护进入下一代;而低于平均适应值的个体,相对应于较高的Pc和Pm,使该解被淘汰。编辑课件从上式可以看出,当适应度度值越接近最大适应度值时,交叉率和变异率就越小,当等于最大适应度值时,交叉率和变异率为零,这种调整方法对于群体处于进化后期比较适宜,但对于进化初期不利,因为进化初期群体中的较优个体几乎不发生变化,容易使进化走向局部最优解的可能性增大。为此,可以作进一步的改进,使群体中最大适应度值的个体的交叉率和变异率分别为和。为了保证每一代的最优个体不被破坏,采用精英选择策略,使他们直接复制到下一代中。编辑课件基于小生境技术的遗传算法根本遗传算法在求解多峰值函数的优化计算问题时,往往只能找到几个局部最优解,而无法收敛到全局最优解。这是因为在标准的遗传算法的初期,群体保持了多样性,但是到了算法后期,群体的多样性遭到了破坏,大量个体集中于某一个极值点附近,它们的后代造成了近亲繁殖,这样就易造成收敛于一个局部最优解,而无法跳出该局部搜索。在生物学中,小生境是指特定环境下的一种生存环境,相同的生物生活在同一个小生境中。借鉴此概念,遗传算法将每一代个体划分为假设干类,每个类中选出假设干适应度较大的个体作为一个类的优秀代表组成一个种群,再在种群中以及不同种群之间通过杂交、变异产生新一代个体群,同时采用预选择机制或者排挤机制或共享机制完成选择操作。这样可以更好的保持群体的多样性,使其具有很高的全局寻优能力和收敛速度。编辑课件