遗传算法局部最优解

❶ 梯度下降算法 如何避免局部最优

单纯的梯度下降算法是收敛于局部最优解的，如果要求实现全局最优解的话可以考虑加入退火算法或者遗传算法之类的思想，简单说就是在搜索过程中不但有基于梯度下降的方向，同时也融入少量的逆向搜索，最终设定一个收敛域即可。

❷ 遗传算法求解非线性规划一定是最优解吗

只是局部最优解，不是全局最优解

❸ 遗传算法的优缺点

1、早熟。这是最大的缺点，即算法对新空间的探索能力是有限的，也容易收敛到局部最优解。
2、大量计算。涉及到大量个体的计算，当问题复杂时，计算时间是个问题。
3、处理规模小。目前对于维数较高的问题，还是很难处理和优化的。
4、难于处理非线性约束。对非线性约束的处理，大部分算法都是添加惩罚因子，这是一笔不小的开支。
5、稳定性差。因为算法属于随机类算法，需要多次运算，结果的可靠性差，不能稳定的得到解。
大致这些，lz可查阅相关专业书籍！

❹ 遗传算法的问题

遗传算法有可能得到的是局部最优解，而不一定是全局最优解，也就是局部收敛，就是所谓的“早熟现象”。随着遗传算法的发展，这个问题也正在逐步改进。比如提高变异算子的变异概率，变异算子是跳出局部收敛的重要操作算子，当然，遗传算法有很多的改进类型。

❺ 在matlab里面GA遗传算法工具箱中怎么找到多个局部最优解，我现在只能找到全局最优解

这个需要根据参数设置来进行的，参数设置合理就可以得到全局最优解，反之，可能得到局部最优解

❻ 如何求所有局部最优解

不太清楚你说的所有局部，和最优解得意思，如果是计算机大量计算的话，好像可以用到一个叫做遗传算法，我们可以在每个区域随机的选出一小组数然后求解，保留最优解然后依次循环，可以在同等时间内得到一个比以前更优化的解。。。

❼ 怎样解决遗传算法的局部最优问题

这个看看遗传算法的专着吧。
局部收敛，就是所谓的“早熟现象”是遗传算法的一个很让人头疼的问题。对应的措施，我举个例子，可以是提高变异算子的变异概率。变异算子是跳出局部收敛的重要操作算子，当然，遗传算法有很多的改进类型。这里不多说了，我介绍本书，叫《MATLAB遗传算法工具箱及应用》，雷英杰，西安电子科技大学出版社

❽ 遗传算法的优缺点

优点：

1、遗传算法是以决策变量的编码作为运算对象，可以直接对集合、序列、矩阵、树、图等结构对象进行操作。这样的方式一方面有助于模拟生物的基因、染色体和遗传进化的过程，方便遗传操作算子的运用。

另一方面也使得遗传算法具有广泛的应用领域，如函数优化、生产调度、自动控制、图像处理、机器学习、数据挖掘等领域。

2、遗传算法直接以目标函数值作为搜索信息。它仅仅使用适应度函数值来度量个体的优良程度，不涉及目标函数值求导求微分的过程。因为在现实中很多目标函数是很难求导的，甚至是不存在导数的，所以这一点也使得遗传算法显示出高度的优越性。

3、遗传算法具有群体搜索的特性。它的搜索过程是从一个具有多个个体的初始群体P(0)开始的，一方面可以有效地避免搜索一些不必搜索的点。

另一方面由于传统的单点搜索方法在对多峰分布的搜索空间进行搜索时很容易陷入局部某个单峰的极值点，而遗传算法的群体搜索特性却可以避免这样的问题，因而可以体现出遗传算法的并行化和较好的全局搜索性。

4、遗传算法基于概率规则，而不是确定性规则。这使得搜索更为灵活，参数对其搜索效果的影响也尽可能的小。

5、遗传算法具有可扩展性，易于与其他技术混合使用。以上几点便是遗传算法作为优化算法所具备的优点。

缺点：

1、遗传算法在进行编码时容易出现不规范不准确的问题。

2、由于单一的遗传算法编码不能全面将优化问题的约束表示出来，因此需要考虑对不可行解采用阈值，进而增加了工作量和求解时间。

3、遗传算法效率通常低于其他传统的优化方法。

4、遗传算法容易出现过早收敛的问题。

(8)遗传算法局部最优解扩展阅读

遗传算法的机理相对复杂，在Matlab中已经由封装好的工具箱命令，通过调用就能够十分方便的使用遗传算法。

函数ga：[x, fval,reason]= ga(@fitnessfun, nvars, options)x是最优解，fval是最优值，@fitnessness是目标函数，nvars是自变量个数，options是其他属性设置。系统默认求最小值，所以在求最大值时应在写函数文档时加负号。

为了设置options，需要用到下面这个函数：options=gaoptimset('PropertyName1', 'PropertyValue1', 'PropertyName2', 'PropertyValue2','PropertyName3', 'PropertyValue3', ...)通过这个函数就能够实现对部分遗传算法的参数的设置。

❾ 遗传算法如何克服陷入局部最优解

在优化问题本身是凸优化问题的情况下，局部最优等于全局最优。
在非凸优化的情况下，理论上是无法保证找到全局最优解的，但是可以通过例如改变初始值等方法找到尽量接近全局最优解的局部最优解。

❿ 用遗传算法所得的结果会不会不相同，还是说要求每次所得的都是最优解啊。。

遗传算法跟什么最速下降法、牛顿法、共轭梯度法之类的优化算法相比，是不一样的。它和粒子群算法、禁忌表法、模拟退火算法等同属于智能搜索算法，面对的问题一般都很复杂，本身就有较多的随机计算过程，所以得到的结果不同是非常正常的。
至于得不到最优解也是正常的，因为智能搜索算法面对的问题一般都是精确最优解无法计算得到，它们的算法设计一般要求跳出局部最小解，得到全局的近似最优解。