【正文】 遺傳算法在模式識別中的應(yīng)用 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 用遺傳算法進行特征提取 例：作品鑒別 個體的表示： l位長，每位代表一個特征的序號，不可重復(fù)； 適應(yīng)度函數(shù)的設(shè)計：識別率的函數(shù)； 遺傳算子：符合個體編碼要求的算子。binaryMutation39。normGeomSelect39。jbx39。 mse1=sumsqr(AT)/s。logsig39。 b1(i)=sol(6*S1+i)。 解決組合優(yōu)化問題 X1: 9 8 | 4 5 6 7 1 | 3 2 0 X2: 8 7 | 1 4 0 3 2 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 3 2 0 X2’: 8 7 | 4 5 6 7 1 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 7 5 6 X2’: 8 3 | 4 5 6 7 1 | 9 0 2 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 變異：隨機選擇同一個個體的兩個點進行交換； 初始參數(shù)： 種群規(guī)模 100 交叉概率 變異概率 終止代數(shù) 2022 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? TSP Benchmark 問題 運行結(jié)果： 解決組合優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值 神經(jīng)網(wǎng)絡(luò)建模： 遺傳算法在過程建模中的應(yīng)用 x1 輸出層 隱藏層 輸入層 x2 y xn … … … … 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值 例：聚丙烯生產(chǎn)過程熔融指數(shù)的軟測量模型 輸入變量：加氫量 、 釜壓 、 升溫時間 、 反應(yīng)時間 、攪拌電流； 輸出變量：熔融指數(shù)； 樣本數(shù)據(jù)： 240組現(xiàn)場數(shù)據(jù)； 遺傳算法在過程建模中的應(yīng)用 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值 個體的表示： w11 w12 … w1n … wnm w1 … wm b1 … bm b 適應(yīng)度的設(shè)計：樣本數(shù)據(jù)與神經(jīng)網(wǎng)絡(luò)預(yù)測數(shù)據(jù)的誤差和的倒數(shù)； 遺傳算法在過程建模中的應(yīng)用 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 優(yōu)化神經(jīng)網(wǎng)絡(luò)的權(quán)值 適應(yīng)度函數(shù)的計算： load 。45 21。13 40。71 71。91 38。64 60。68 58。54 67。 解決多目標(biāo)優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 多目標(biāo)優(yōu)化的遺傳算法 基于排序的多目標(biāo)遺傳算法 ： 根據(jù)“ Pareto最優(yōu)個體”的概念對所有個體進行排 序，依據(jù)這個排列次序來進行進化過程中的選擇運 算，從而使得排在前面的 Pareto最優(yōu)個體將有更多 的機會遺傳到下一代群體。 解決多目標(biāo)優(yōu)化問題 遺傳算法的應(yīng)用 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 多目標(biāo)優(yōu)化的遺傳算法 優(yōu)勢： 并行地處理一組可能的解； 不局限于 Pareto前沿的形狀和連續(xù)性，易于處理不連續(xù)的、凹形的 Pareto前沿。 遺傳算法的應(yīng)用 Pxfji ij??,)(智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 解決帶約束的函數(shù)優(yōu)化問題 ? ?? ??????????? 7171i jijPdfTtkP? 求解線性約束優(yōu)化問題的遺傳算法 例： 7 7運輸規(guī)劃問題 對于約束 ，個體染色體表示 為（ v11,…, v77），其約束違反度定義為： 遺傳算法的應(yīng)用 }7,2,1{ ,?????Wva lx ijWji ij智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 解決帶約束的函數(shù)優(yōu)化問題 ijWjiijij v a lvd ?? ??,? 求解線性約束優(yōu)化問題的遺傳算法 例： 7 7運輸規(guī)劃問題 費用參數(shù)表 對于函數(shù) A，取 S＝ 2，對于函數(shù) B、 E和 F，取 S＝ 5。 ? 罰函數(shù)法 ? 交叉運算：設(shè)父個體為 x=[x1,x2,…, xn]和y=[y1,y2,…, yn] 簡單交叉 單點算術(shù)交叉 整體算術(shù)交叉 基于方向的交叉： x’=r(xy)+x， r為 (0,1)之間的隨機數(shù)，并假設(shè) f(x)≥f(y)。 解決帶約束的函數(shù)優(yōu)化問題 為罰函數(shù)尺度系數(shù)。 基于小生境技術(shù)的遺傳算法 ?????????s h a r es h a r es h a r eddddSh??? ,0 ,1)( 遺傳算法的改進 智能優(yōu)化計算 華東理工大學(xué)自動化系 2022年 ? 共享（ sharing,1987）機制 ? 共享法將個體的適應(yīng)度降低，即適應(yīng)度值 fi除以一個 niche計數(shù) mi： ? 在距離為 σshare的范圍內(nèi)的個體彼此削減適應(yīng)度，這些個體將收斂在一個 niche內(nèi)，避免了整個種群的收斂。)((21211m a xm a x32111m a x21