遺傳算法簡述ppt課件-資料下載頁
2025-05-07 02:31本頁面
【正文】 制屏蔽字 P = W1W2… Wn ； （ 2） 按下列規(guī)則從 A、 B兩個父代個體中產(chǎn)生兩個新個體 X、 Y：若 Wi = 0，則 X的第i個基因繼承 A的對應基因， Y的第 i個基因繼承 B的對應基因；若 Wi = 1，則 A、 B的第 i個基因相互交換，從而生成 X、Y的第 i個基因。 對遺傳算子 的改進 ?排序選擇 ?均勻交叉 ?逆序變異 變異前： 3 4 8 | 7 9 6 5 | 2 1 變異前： 3 4 8 | 5 6 9 7 | 2 1 對控制參數(shù)的改進 ? Schaffer建議的最優(yōu)參數(shù)范圍是： ? M = 20100， ? T = 100500， ? Pc = ， ? Pm = 。 ? 對控制參數(shù)的改進 ? Srinvivas等人提出自適應遺傳算法，即 PC和 Pm能夠隨適應度自動改變，當種群的各個個體適應度趨于一致或趨于局部最優(yōu)時，使二者增加，而當種群適應度比較分散時，使二者減小，同時對適應值高于群體平均適應值的個體，采用較低的 PC和 Pm，使性能優(yōu)良的個體進入下一代，而低于平均適應值的個體，采用較高的 PC和 Pm，使性能較差的個體被淘汰 。 對執(zhí)行策略的改進 ? 混合遺傳算法 ? 免疫遺傳算法 ? 小生境遺傳算法 ? 單親遺傳算法 ? 并行遺傳算法 分層遺傳算法 分層遺傳算法基本流程框圖 初始化 N個子種群 N個子種群獨立運行遺傳算法一定代數(shù) N個結果種群及平均適應度值記錄到 R[1...N,1...n]及 A[i] 對 R[1...N,1...n]進行選擇和交叉 對 R[1...N,1...n]進行變異操作 對新的 N個子種群重新開始遺傳算法操作 性能滿足 ? 結束 并行遺傳算法（ parallel GA， PGA） ? 遺傳算法中適應度的計算最費時間，再加上需要不斷產(chǎn)生新一代，而每一代又有若干個個體，隨意如何提高遺傳算法的運行速率顯得尤為突出。由于遺傳算法的內在并行機制，其并行處理是很自然的解決途徑。 ? 并行遺傳算法的實現(xiàn)方案 ? 全局型 —— 主從式模式（ masterslave model） ? 獨立型 —— 粗粒度模型（ coarsegrained model）；孤島模型；分布式遺傳算法 ? 分散型 —— 細粒度模型（ finegrained model ） ? 全局型 ? 處理方式： 并行系統(tǒng)分為一個主處理器和若干個從處理器主處理器監(jiān)控整個染色體種群，并基于全局統(tǒng)計執(zhí)行選擇操作；各個從處理器接受來自主處理器的個體進行重組交叉和變異，產(chǎn)生新一代個體，并計算適應度，再把計算結果傳給主處理器。 ? 缺點： 適應度評價很費時且遠遠超過通信時間有效的情況下才有效，否則通信時間超過計算時間，反而會降低速度。這種方法要求同步機制，會導致主進程忙二子進程閑置或反之，引起負載不平衡，效率不高。 ? 獨立型 ? 處理方式： 將種群分成若干個子種群并分配給各自對應的處理器，每個處理器不僅獨立計算適應度，而且獨立進行選擇、重組交叉和變異操作，還要定期地相互傳送適應度最好的個體，從而加快滿足終止條件的要求。 ? 特點： 基于粗粒度模型的遺傳算法也稱之為分布式遺傳算法，是目前應用最廣泛的一種并行遺傳算法。 ? 分散型 ? 處理方式： 為種群中的每一個個體分配一個處理器，每個處理器進行適應度的計算，而選擇、重組交叉和變異操作僅在與之相鄰的一個處理器之間相互床底個體中進行。 ? 特點： 細粒度模型也稱鄰域模型，適合于連接機、陣列機。 ? 并行遺傳算法的遷移策略 ? 遷移 是并行遺傳算法中引入的一個新的算子，它是指在進化的過程中子群體間交換個體的過程，一般的遷移方法是將子群體中最好的個體發(fā)給其它的子種群，通過遷移可以加快較好個體在群體中的傳播，提高收斂速度和解的精度。 ? 以基于粗粒度模型的并行遺傳算法為例，遷移策略可分為以下兩種： ? 一傳多：每個處理器對易于若干相鄰處理器，將其最好傳給所有相鄰處理器，并接受來自相鄰處理器的最好的個體，將這些個體與自己個體同時考慮，淘汰適應度差的個體。 ? 一傳一：每個處理器將其最好傳給與之相鄰的一個處理器，同時增加“處理器之間通訊的頻率”和“每次傳送給最好個體的數(shù)目”兩個參數(shù)。 ? 處理器之間通訊的頻率 send_rate ? 如 send_rate=3時，表示當遺傳代數(shù)是 3的倍數(shù)時，各處理器之間相互傳遞個體。 ? 每次傳送給最好個體的數(shù)目 send_best ? send_best=5時表示每個處理器把最好的前 5個個體傳給各自相鄰的處理器 遺傳算法的融合 ? 遺傳算法在人工智能的眾多領域便得到了廣泛應用。例如機器學習、聚類、控制、規(guī)劃、設計、調度、組合優(yōu)化、函數(shù)的最大值以及圖像處理和信號處理等等。 ? 另一方面，人們又將遺傳算法與其他智能算法和技術相結合，使其問題求解能力得到進一步擴展和提高。例如，將遺傳算法與模糊技術、神經(jīng)網(wǎng)絡相結合，已取得了不少成果。 ? 混合遺傳算法 ? 引入局部搜索過程 ? 增加編碼變換操作過程 ? De Jong提出下面三個基本原則 ? 盡量采用原有算法的編碼 ? 利用原有算法全局搜索的優(yōu)點 ? 改進遺傳算子 ? 遺傳算法與最速下降法相結合 ? 遺傳算法與模擬退火算法相結合 ? 遺傳算法與神經(jīng)網(wǎng)絡的結合： ? 遺傳算法用于神經(jīng)網(wǎng)絡主要是用遺傳算法學習神經(jīng)網(wǎng)絡的權重和學習神經(jīng)網(wǎng)絡的拓撲結構；用遺傳算法來取代一些傳統(tǒng)的學習算法，利用 GA的尋優(yōu)能力獲取最佳權重。 ? 目前廣泛研究的是 BP神經(jīng)網(wǎng)絡 +遺傳算法 —— 確定 BP網(wǎng)絡的連接權，發(fā)揮網(wǎng)絡的泛化能力，而且使網(wǎng)絡具有快速收斂及增強式學習性能
教學課件相關推薦
鄂ICP備17016276號-1