遺傳演算法控制
A. 遺傳演算法的中心思想
遺傳演算法是通過大量備選解的變換、迭代和變異,在解空間中並行動態地進行全局搜索的最優化方法,由於遺傳演算法具有比較完備的數學模型和理論,在解決很多NP—Hard問題上具有良好的性能。
遺傳演算法以一種群體中的所有個體為對象,並利用隨機化技術指導對一個被編碼的參數空間進行高效搜索。其中選擇、交叉和變異構成了遺傳演算法的遺傳操作,參數編碼、初始群體的設定、適應度函數的設計、遺傳操作設計、控制參數設定五個要素組成了遺傳演算法的核心內容。
(1)遺傳演算法控制擴展閱讀:
遺傳演算法注意事項:
用戶需要注意遺傳演算法的優化過程中種群基因的多樣性是保障避免陷入局部最優解的重要因素,如果目標函數優化結果過早收斂很可能就是因為種群的多樣性不足。
為了保證種群的多樣性,其中編碼、適應度函數設計尤為重要。
適應度的含義就是字面意思,這個個體是否可以適應環境也即是否滿足優化目標指標。因為後續需要根據適應度函數進行自然選擇,因此適應度函數和你的目標函數並不需要完全一樣。
B. 關於遺傳演算法
遺傳演算法(Genetic Algorithm,簡稱GA)是美國 Michigan大學的 John Golland提出的一種建立在自然選擇和群體遺傳學機理基礎上的隨機、迭代、進化、具有廣泛適用性的搜索方法。現在已被廣泛用於學習、優化、自適應等問題中。圖4-1 給出了 GA搜索過程的直觀描述。圖中曲線對應一個具有復雜搜索空間(多峰空間)的問題。縱坐標表示適應度函數(目標函數),其值越大相應的解越優。橫坐標表示搜索點。顯然,用解析方法求解該目標函數是困難的。採用 GA時,首先隨機挑選若干個搜索點,然後分別從這些搜索點開始並行搜索。在搜索過程中,僅靠適應度來反復指導和執行 GA 搜索。在經過若干代的進化後,搜索點後都具有較高的適應度並接近最優解。
一個簡單GA由復制、雜交和變異三個遺傳運算元組成:
圖4-2 常規遺傳演算法流程圖