《进化优化》第3章 遗传算法

文章目录

  • 3.1 遗传学的历史
  • 3.2 遗传学
  • 3.3 遗传学的历史
  • 3.4 一个简单的二进制遗传算法
    • 3.4.1 用于机器人设计的遗传算法
    • 3.4.2 选择与交叉
    • 3.4.3 变异
    • 3.4.5 遗传算法参数调试
  • 3.5 简单的连续遗传算法

遗传算法模仿自然选择来解决优化问题。
为研究遗传算法,得遵守自然选择的一些基本性质:

  • (1)一个生物系统包含个体的一个种群,许多个体具有繁殖的能力。
  • (2)个体的寿命有限。
  • (3)种群中有差异。
  • (4)生存能力和繁殖能力正相关。

3.1 遗传学的历史

3.2 遗传学

个体的每个特性或特征,由一对基因控制。

3.3 遗传学的历史

3.4 一个简单的二进制遗传算法

3.4.1 用于机器人设计的遗传算法

(1)编码:
电机的类型和伏数
《进化优化》第3章 遗传算法_第1张图片
电源的类型和伏数:
《进化优化》第3章 遗传算法_第2张图片

(2)定义适应度函数
在这里插入图片描述
关于问题的适应度函数的定义没有硬性规则,它取决于遗传算法设计者能否充分理解问题从而给出适应度函数的一个合理的定义。

随机生成个体:
《进化优化》第3章 遗传算法_第3张图片

3.4.2 选择与交叉

《进化优化》第3章 遗传算法_第4张图片

轮盘赌选择:
《进化优化》第3章 遗传算法_第5张图片
《进化优化》第3章 遗传算法_第6张图片
生成同等规模子代:
《进化优化》第3章 遗传算法_第7张图片
生成子代:
《进化优化》第3章 遗传算法_第8张图片
《进化优化》第3章 遗传算法_第9张图片
《进化优化》第3章 遗传算法_第10张图片

3.4.3 变异

《进化优化》第3章 遗传算法_第11张图片

3.4.5 遗传算法参数调试

《进化优化》第3章 遗传算法_第12张图片
终止准则:

  • 预先给定遗传算法运行的代数。
  • 让遗传算法一直运行到最好的个体的适应度好过由用户定义的某个阈值。
  • 一直运行直到个体适应度不再有改进。

指定参数:

  • 将问题的解映射到位串的编码方案。
  • 将问题的解映射到适应度值的适应度函数。
  • 种群规模。
  • 选择方法。
  • 变异率。
  • 适应度的缩放。
  • 交叉的类型。
  • 物种/近亲。

《进化优化》第3章 遗传算法_第13张图片
编码:
《进化优化》第3章 遗传算法_第14张图片
编码方案是在准确的和复杂度之间的一个平衡。

随机生成初始种群:
《进化优化》第3章 遗传算法_第15张图片

求适应度值:
《进化优化》第3章 遗传算法_第16张图片
使适应度全部大于0:
《进化优化》第3章 遗传算法_第17张图片

确定适应度值所占比例:
在这里插入图片描述

交叉:
《进化优化》第3章 遗传算法_第18张图片
《进化优化》第3章 遗传算法_第19张图片

3.5 简单的连续遗传算法

《进化优化》第3章 遗传算法_第20张图片
《进化优化》第3章 遗传算法_第21张图片

你可能感兴趣的:(进化优化,优化算法)