整理建模作业.docx
- 文档编号:5490245
- 上传时间:2022-12-17
- 格式:DOCX
- 页数:10
- 大小:50.78KB
整理建模作业.docx
《整理建模作业.docx》由会员分享,可在线阅读,更多相关《整理建模作业.docx(10页珍藏版)》请在冰豆网上搜索。
整理建模作业
智能优化算法之
遗传算法
一、智能优化算法
智能优化算法又称为现代启发式算法,是一种具有全局优化性能、通用性强、且适合于并行处理的算法。
这种算法一般具有严密的理论依据,而不是单纯凭借专家经验,理论上可以在一定的时间内找到最优解或近似最优解。
定的概率在整个求解空间中探索最优解。
由于它们可以把搜索空间扩展到整个问题空间,因而具有全局优化性能。
二、遗传算法
1.遗传算法产生与发展
(1)产生
早在50年代,一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过程;
1963年,德国柏林技术大学的I.Rechenberg和H.P.Schwefel,做风洞实验时,产生了进化策略的初步思想;
60年代,L.J.Fogel在设计有限态自动机时提出进化规划的思想。
1966年Fogel等出版了《基于模拟进化的人工智能》,系统阐述了进化规划的思想;
60年代中期,美国Michigan大学的J.H.Holland教授提出借鉴生物自然遗传的基本原理用于自然和人工系统的自适应行为研究和串编码技术;
1967年,他的学生J.D.Bagley在博士论文中首次提出“遗传算法(GeneticAlgorithms)”一词;
1975年,Holland出版了著名的“AdaptationinNaturalandArtificialSystems”,标志遗传算法的诞生。
(2)发展
70年代初,Holland提出了“模式定理”(SchemaTheorem),一般认为是“遗传算法的基本定理”,从而奠定了遗传算法研究的理论基础;
1985年,在美国召开了第一届遗传算法国际会议,并且成立了国际遗传算法学会(ISGA,InternationalSocietyofGeneticAlgorithms);
1989年,Holland的学生D.J.Goldherg出版了“GeneticAlgorithmsinSearch,Optimization,andMachineLearning”,对遗传算法及其应用作了全面而系统的论述;
1991年,L.Davis编辑出版了《遗传算法手册》,其中包括了遗传算法在工程技术和社会生活中大量的应用实例。
2.生物进化理论和遗传学的基本知识
(1)达尔文的自然选择说
遗传(heredity):
子代和父代具有相同或相似的性状,保证物种的稳定性;
变异(variation):
子代与父代,子代不同个体之间总有差异,是生命多样性的根源;
生存斗争和适者生存:
具有适应性变异的个体被保留,不具适应性变异的个体被淘汰。
(2)遗传学基本概念与术语
染色体(chromosome):
遗传物质的载体;
脱氧核糖核酸(DNA):
大分子有机聚合物,双螺旋结构;
遗传因子(gene):
DNA或RNA长链结构中占有一定位置的基本遗传单位;
基因型(genotype):
遗传因子组合的模型;
表现型(phenotype):
由染色体决定性状的外部表现;
基因座(locus):
遗传基因在染色体中所占据的位置,同一基因座可能有的全部基因称为等位基因(allele);
个体(individual):
指染色体带有特征的实体;
种群(population):
个体的集合,该集合内个体数称为种群的大小;
进化(evolution):
生物在其延续生存的过程中,逐渐适应其生存环境,使得其品质不断得到改良,这种生命现象称为进化;
适应度(fitness):
度量某个物种对于生存环境的适应程度。
对生存环境适应程度较高的物种将获得更多的繁殖机会,而对生存环境适应程度较低的物种,其繁殖机会就会相对较少,甚至逐渐灭绝;
选择(selection):
指决定以一定的概率从种群中选择若干个体的操作;
复制(reproduction):
细胞在分裂时,遗传物质DNA通过复制而转移到新产生的细胞中,新的细胞就继承了旧细胞的基因;
交叉(crossover):
在两个染色体的某一相同位置处DNA被切断,其前后两串分别交叉组合形成两个新的染色体。
又称基因重组,俗称“杂交”;
变异(mutation):
在细胞进行复制时可能以很小的概率产生某些复制差错,从而使DNA发生某种变异,产生出新的染色体,这些新的染色体表现出新的性状;
编码(coding):
表现型到基因型的映射;
解码(decoding):
从基因型到表现型的映射。
3.遗传算法的思路与特点
自组织、自适应和自学习性
在编码方案、适应度函数及遗传算子确定后,算法将利用进化过程中获得的信息自行组织搜索。
本质并行性
内在并行性与内含并行性
不需求导
只需目标函数和适应度函数
概率转换规则
强调概率转换规则,而不是确定的转换规则
4.遗传算法的基本操作
选择
选择算法:
轮盘赌选择(roulettewheelselection)
轮盘赌选择又称比例选择算子,它的基本思想是:
各个个体被选中的概率与其适应度函数值大小成正比。
设群体大小为n,个体i的适应度为Fi,则个体i被选中遗传到下一代群体的概率为:
轮盘赌选择方法的实现步骤
1)计算群体中所有个体的适应度函数值(需要解码);
2)利用比例选择算子的公式,计算每个个体被选中遗传到下一代群体的概率;
3)采用模拟赌盘操作(即生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配)来确定各个个体是否遗传到下一代群体中。
随机遍历抽样(stochasticuniversalselection)
局部选择(localselection)
截断选择(truncationselection)
锦标赛选择(tournamentselection)
交叉或基因重组
所谓交叉运算,是指对两个相互配对的染色体依据交叉概率Pc按某种方式相互交换其部分基因,从而形成两个新的个体。
交叉运算是遗传算法区别于其他进化算法的重要特征,它在遗传算法中起关键作用,是产生新个体的主要方法。
简单GA交叉算子采用单点交叉算子。
单点交叉
交叉前:
交叉点
00000|01110000000010000
11100|00000111111000101
交叉后:
00000|00000111111000101
11100|01110000000010000
其类型还有:
实值重组(realvaluedrecombination):
离散重组(discreterecombination)
中间重组(intermediaterecombination)
线性重组(linearrecombination)
扩展线性重组(extendedlinearrecombination)
变异
所谓变异运算,是指依据变异概率Pm将个体编码串中的某些基因值用其它基因值来替换,从而形成一个新的个体。
遗传算法中的变异运算是产生新个体的辅助方法,它决定了遗传算法的局部搜索能力,同时保持种群的多样性。
交叉运算和变异运算的相互配合,共同完成对搜索空间的全局搜索和局部搜索。
简单GA中变异算子采用基本位变异算子。
基本为交叉
变异前:
变异点
000001110000000010000
变异后:
000001110001000010000
其类型还有:
实值变异
二进制变异
运行参数
M:
种群规模
T:
遗传运算的终止进化代数
Pc:
交叉概率
Pm:
变异概率
5.简单遗传算法的流程图
是
否
应用实例
求下面函数的最大值
个体数目取50,最大进化代数取100,离散精度取0.01,杂交概率取0.9,变异概率取0.04。
解:
首先建立目标函数文件fitness.m文件:
FunctionF=fitness(x)
F=x^3-60*x^2+900*x+100;
根据题目给出的参数,用基本遗传算法求出结果如下:
>>[xv,fv]=myGA(fitness,0,30,50,100,0.9,0.04,0.01)
所得结果为:
xv=808242
fv=4.0991e+0.03
6.遗传算法原理
(1)遗传算法的数学基础
模式定理
积木块假设
模式是指种群个体基因串中的相似样板,它用来描述基因串中某些特征位相同的结构。
在二进制编码中,模式是基于三个字符集(0,1,*)的字符串,符号*代表任意字符,即0或者1。
模式示例:
10**1
定义1:
模式H中确定位置的个数称为模式H的阶,记作O(H)。
例如O(10**1)=3。
定义2:
模式H中第一个确定位置和最后一个确定位置之间的距离称为模式H的定义距,记作δ(H)。
例如δ(10**1)=4。
模式的阶和定义距的含义
模式阶用来反映不同模式间确定性的差异,模式阶数越高,模式的确定性就越高,所匹配的样本数就越少。
在遗传操作中,即使阶数相同的模式,也会有不同的性质,而模式的定义距就反映了这种性质的差异。
模式定理
模式定理:
具有低阶、短定义距以及平均适应度高于种群平均适应度的模式在子代中呈指数增长。
模式定理保证了较优的模式(遗传算法的较优解)的数目呈指数增长,为解释遗传算法机理提供了数学基础。
从模式定理可看出,有高平均适应度、短定义距、低阶的模式,在连续的后代里获得至少以指数增长的串数目,这主要是因为选择使最好的模式有更多的复制,交叉算子不容易破坏高频率出现的、短定义长的模式,而一般突变概率又相当小,因而它对这些重要的模式几乎没有影响。
积木块假设
积木块假设:
遗传算法通过短定义距、低阶以及高平均适应度的模式(积木块),在遗传操作下相互结合,最终接近全局最优解。
模式定理保证了较优模式的样本数呈指数增长,从而使遗传算法找到全局最优解的可能性存在;而积木块假设则指出了在遗传算子的作用下,能生成全局最优解。
7.遗传算法的收敛性分析
遗传算法要实现全局收敛,首先要求任意初始种群经有限步都能到达全局最优解,其次算法必须由保优操作来防止最优解的遗失。
与算法收敛性有关的因素主要包括种群规模、选择操作、交叉概率和变异概率。
通常,种群太小则不能提供足够的采样点,以致算法性能很差;种群太大,尽管可以增加优化信息,阻止早熟收敛的发生,但无疑会增加计算量,造成收敛时间太长,表现为收敛速度缓慢。
选择操作使高适应度个体能够以更大的概率生存,从而提高了遗传算法的全局收敛性。
如果在算法中采用最优保存策略,即将父代群体中最佳个体保留下来,不参加交叉和变异操作,使之直接进入下一代,最终可使遗传算法以概率1收敛于全局最优解。
交叉操作用于个体对,产生新的个体,实质上是在解空间中进行有效搜索。
交叉概率太大时,种群中个体更新很快,会造成高适应度值的个体很快被破坏掉;概率太小时,交叉操作很少进行,从而会使搜索停滞不前,造成算法的不收敛。
变异操作是对种群模式的扰动,有利于增加种群的多样性。
但是,变异概率太小则很难产生新模式,变异概率太大则会使遗传算法成为随机搜索算法。
遗传算法本质上是对染色体模式所进行的一系列运算,即通过选择算子将当前种群中的优良模式遗传到下一代种群中,利用交叉算子进行模式重组,利用变异算子进行模式突变。
通过这些遗传操作,模式逐步向较好的方向进化,最终得到问题的最优解。
8.遗传算法的改进
(1)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,使算法的搜索空间急剧扩大,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,浮点数编码改善了遗传算法的计算复杂性。
(2)对遗传算子的改进
排序选择
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。
均匀交叉
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。
逆序变异
变异前:
348|7965|21
变异前:
348|5697|21
(3)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。
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。
(4)对执行策略的改进
混合遗传算法
免疫遗传算法
小生境遗传算法
(4)跟踪评价的结论。
单亲遗传算法
并行遗传算法
在可行性研究时应进行安全预评价的建设项目有:
9.遗传算法的应用
函数优化
是遗传算法的经典应用领域;
(1)前期准备工作。
包括明确评价对象和评价范围,组建评价组,收集国内外相关法律、法规、规章、标准、规范,收集并分析评价对象的基础资料、相关事故案例,对类比工程进行实地调查等内容。
组合优化
(一)环境影响经济损益分析概述实践证明,遗传算法对于组合优化中的NP完全问题非常有效;
(1)生产力变动法自动控制
《建设项目安全设施“三同时”监督管理暂行办法》(国家安全生产监督管理总局令第36号)第四条规定建设项目安全设施必须与主体工程“同时设计、同时施工、同时投入生产和使用”。
安全设施投资应当纳入建设项目概算。
并规定在进行建设项目可行性研究时,应当分别对其安全生产条件进行论证并进行安全预评价。
如基于遗传算法的模糊控制器优化设计、基于遗传算法的参数辨识、利用遗传算法进行人工神经网络的结构优化设计和权值学习等;
1.准备阶段机器人智能控制
(5)建设项目对环境影响的经济损益分析。
遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行动协调等;
组合图像处理和模式识别
目前已在图像恢复、图像边缘持征提取、几何形状识别等方面得到了应用;
(2)评价范围。
根据评价机构专业特长和工作能力,确定其相应的评价范围。
人工生命
基于遗传算法的进化模型是研究人工生命现象的重要理论基础,遗传算法已在其进化模型、学习模型、行为模型等方面显示了初步的应用能力;
遗传程序设计
Koza发展了遗传程序设计的慨念,他使用了以LISP语言所表示的编码方法,基于对一种树型结构所进行的遗传操作自动生成计算机程序。
(2)综合规划环境影响篇章或者说明的内容。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 整理 建模 作业
![提示](https://static.bdocx.com/images/bang_tan.gif)