遗传算法改进.pptx
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_1.gif)
![资源得分’ title=](/images/score_05.gif)
《遗传算法改进.pptx》由会员分享,可在线阅读,更多相关《遗传算法改进.pptx(22页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、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发展,对编码方式、控制参数的确定、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。第1页/共22页分层遗传算法 第2页/共22页第3页/共22页第4页/共22页第5页/共22页第6页/共22页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(Cross generational elitist selection)策略,H代表异物种重组
2、,第二个C代表大变异。CHC算法与基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。第7页/共22页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
3、到一定的收敛时期,从优秀个体中选择一部分个体进行初始化。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,一般取0.35。第8页/共22页自适应遗传算法 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
4、遗传算法,Pc和 Pm能够随适应度自动改变。第9页/共22页算法思想: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。第10页/共22页第11页/共22页从上式可以看出,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合适,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
5、。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。第12页/共22页第13页/共22页基于小生境技术的遗传算法 基本遗传算法在求解多峰值函数的优化计算问题时基本遗传算法在求解多峰值函数的优化计算问题时,往往只能往往只能找到几个局部最优解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准的遗传算法的初期,群体保持了多样性群体保持了多样性,但是到了算法后期但是到了算法后期,群体的多样性遭到了破坏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它们
- 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:
- 遗传 算法 改进
![提示](https://www.deliwenku.com/images/bang_tan.gif)
限制150内