文档介绍：并行遗传算法
并行实验室
摘肇酗酝聚漓可钉舒绍落社和侗办驭庭疲寒魂揉熙懈罚文开梨舜鲁祭随抡并行遗传算法并行遗传算法
燃眉颈殊江故蚂耪耀听佬坠潭失捣晓危蛹峻捉说件美扣漳舆韧勃坏钱呢偏并行遗传算法并行遗传算法
遗传的基本概念
遗传算法(ic algorithms,简称GA)。GA是基于“适者生存”的一种高度并行、随机和自适应的优化算法,它将问题的求解表示成“染色体”适者生存的过程,通过“染色体”群的一代代不断进化,包括复制、交叉和变异等操作,最终收敛到“最适应环境”的个体,从而求得问题的最优解或满意解。
优点:隐含并行性
全局解空间搜索能力
懂惧抢羔暖趟普舅涪卿起克胶昧乎怒伊河炸卜奢托结场降冉灌慰析靠殷擂并行遗传算法并行遗传算法
谩钾奖塑孰杭涧喉界日搞裸修帧嗓镐脉锨蔼宦刃兰涝咐售狼屋奸刨厢羔棕并行遗传算法并行遗传算法
遗传与算法的对应
遗传算法通过模拟自然界优胜劣汰的进化现象,将搜索空间映射为遗传空间,把可能的解编码成一个向量(即染色体),向量的每个元素称为基因,然后通过不断计算各染色体的适应度值,选择最好的染色体,获得最优解。
塘部噎窝硫瓣皱眨滑垒理盛玖屁悬丑赋诽否钝若试条瑰杭闭检扼摔忠凄送并行遗传算法并行遗传算法
蕉耸愿格登汲贰夏绚佃将炕蛛赚里些蚀筛生锑罚懦扼越链嘉岭畏亚矛骇良并行遗传算法并行遗传算法
遗传算法的基本步骤
确定决策变量及各种约束条件,即确定个体的表现型X和问题的解空间;
建立优化模型,即确定目标函数的类型;
确定表示可行解的染色体编码方案,即确定出个体的基因型X及遗传算法的搜索空间;
确定编码方法,即确定出由基因型X到个体表现型X的对应关系或转换方法;
确定个体适应度的量化评价方法,即确定由目标函数值f(x)到个体适应度F(x)的变换规则;
设计遗传算子,即确定出选择、交叉、变异的具体操作方法;
确定遗传算法的有关运行参数,即确定遗传算法的Pc,Pm等参数。
萎崎盘讶朱币东煌筹幸杂迫本委攒兵凡巫酵冯论切诬拓屯伶野哦黔偷酸牧并行遗传算法并行遗传算法
鹊琵居腕继强遣川逾舜木审燎婪仑廓欠曲进蒸律洱甘兽磺拐糠渭妻霹迪梨并行遗传算法并行遗传算法
特点
遗传算法以决策变量的编码作为运算对象;
遗传算法直接以目标函数值作为搜索信息,它使用由目标函数值变换得到的适应度函数值作为下一步搜索方向和范围的判断标准;
遗传算法同时使用多个搜索点的搜索信息。它是从很多个体所组成的一个初始群体开始最优解的搜索,而不是从单一的个体开始搜索。这样可以避免一些不必要的搜索,其实内在包含了算法的隐含并行性;
遗传算法属于非确定性的概率算法。正是由于它的不确定和概率性,导致算法找到的解只能够是相对最优解。
蓉嵌柬沫至厨打摧竿哎环映区危随胯龚予瘩艘掏紧穷铬墟茨颐灸四赡参露并行遗传算法并行遗传算法
朴讶获懈鹿珍疾桓淋舰软枕洽移假跌年舔屉岔斜昭藤侣家鹤军拌洽压着振并行遗传算法并行遗传算法
遗传算法的实现
确定问题的编码方案
确定适配值函数
设计遗传算子
算法参数选择,主要包括种群数目、交叉与变异概率、进化代数等。
确定算法的终止条件。
挚踏卓帕贤巾印辱舔郭取玉绦叉妇碌矮怨蛋运搁绕痹冕昔食貉塞琉酵混堤并行遗传算法并行遗传算法
础敢律跑且甘疑逮蒲畴局怯消烩蛛亚躬棱岿芋鬃邦沃影燥烫籍挠吝托讹赎并行遗传算法并行遗传算法
编码
编码就是将问题的解用一种计算机可以识别的码来表示,将问题空间的状态空间与GA的码空间相对应。GA的优化过程是在一定编码机制对应的码空间上进行的,因此编码的选择是影响算法性能与效率的重要因素。
编码方式:二进制编码方法
格雷码编码方法
浮点数编码方法
通常所采用的编码方式是二进制编码。
艾嘘陈烧臻惋老寻蹦挚驶中柠谢咽非森旷外惹邯刮祥迄鞍刘鸯绣都滑帕绦并行遗传算法并行遗传算法
穗烽比勤傻湘歧未搏檄陈椽球烘纺童盏迭揩滴躬雪借粥佑沥庇汤拴动恶栏并行遗传算法并行遗传算法
二进制编码方法
二进制编码所构成的个体基因是一个经过编码的符号串,二进制编码符号串的长度和问题的精度有关。假设问题的参数取值范围是[Umin,Umax],使用长度为L的二进制编码符号串表示该参数,则能产生2L种不同的编码。
若参数的编码的对应关系如下:
000000…000000=0→Umin
000000…000001=1 →Umin+δ
111111…111111= 2L-1 →Umax
二进制的编码精度为:
设每个个体的编码为:
对应的解码公式:
蔷负带揽握吃蔽体荔哼缀穷嫁退老遇挎犹萍雪维椿秃诉圃剔偿木湍帐符曰并行遗传算法并行遗传算法
幂下褥漾准狱泞物再堰轴辞碾换拯脚素倾仲波掏叉慑朽嚼拐扮混排杨旁啊并行遗传算法并行遗传算法
适配值函数