| 查看: 1336 | 回复: 2 | ||||||
| 当前主题已经存档。 | ||||||
gggwww荣誉版主 (著名写手)
|
[交流]
遗传算法
|
|||||
|
遗传算法 遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借 用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性 的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。1962年Holland教授首次 提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方 面，并奠定了坚实的理论基础。 用遗传算法解决问题时，首先要对待解决问题的模型结构 和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了。也有在连续 空间定义的GA(Genetic Algorithm in Continuous Space, GACS)，暂不讨论。 一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行： (1) 对待解决问题进行编码； (2) 随机初始化群体X(0):=(x1, x2, … xn)； (3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性能好 坏； (4) 应用选择算子产生中间代Xr(t)； (5) 对Xr(t)应用其它的算子，产生新一代群体X(t+1)，这些算子的目的在于扩展有限 个体的覆盖面，体现全局搜索的思想； (6) t:=t+1；如果不满足终止条件继续(3)。 GA中最常用的算子有如下几种： (1) 选择算子(selection/reproduction): 选择算子从群体中按某一概率成对选择个 体，某个体xi被选择的概率Pi与其适应度值成正比。最通常的实现方法是轮盘赌(roulett e wheel)模型。 (2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进行交叉 ，生成两个新的个体，交叉位置是随机的。其中Pc是一个系统参数。 (3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异，对 二值基因链(0,1编码)来说即是取反。 上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改进GA的 某些性能。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对算法的收敛速度 及结果有很大的影响，应视具体问题选取不同的值。 GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力。OOP中的类的继 承为我们提供了这一可能。 定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体类TP opulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作。对任一个应用实 例，可以在TSGA类上派生，并定义新的操作。 TPopulation类包含两个重要过程： FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值，具体操 作在用户类中实现。 Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度average、最好 个体fmax、最坏个体fmin等。 TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数，它有4个 重要的成员函数： Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2）。轮盘经任意旋转停止 后指针所指向区域被选中，所以fi值大的被选中的概率就大。 Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串。 Mutation: 变异算子，以概率Pm对基因链上每一个基因进行随机干扰(取反)。 Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每运行一 次，产生新的一代。 SGA的结构及类定义如下(用C++编写)： 以下是代码: typedef char ALLELE; // 基因类型 typedef struct{ ALLELE *chrom; float fitness; // fitness of Chromosome }INDIVIDUAL; // 个体定义 class TPopulation{ // 群体类定义 public: int size; // Size of population: n int lchrom; // Length of chromosome: l float sumfitness, average; INDIVIDUAL *fmin, *fmax; INDIVIDUAL *pop; TPopulation(int popsize, int strlength); ~TPopulation(); inline INDIVIDUAL &Individual(int i){ return pop;}; void FillFitness(); // 评价函数 virtual void Statistics(); // 统计函数 }; class TSGA : public TPopulation{ // TSGA类派生于群体类 public: float pcross; // Probability of Crossover float pmutation; // Probability of Mutation int gen; // Counter of generation TSGA(int size, int strlength, float pm=0.03, float pc=0.6): TPopulation(size, strlength) {gen=0; pcross=pc; pmutation=pm; } ; virtual INDIVIDUAL& Select(); virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2, INDIVIDUAL &child1, INDIVIDUAL &child2); &child1, INDIVIDUAL &child2); virtual ALLELE Mutation(ALLELE alleleval); virtual void Generate(); // 产生新的一代 }; 用户GA类定义如下： class TSGAfit : public TSGA{ public: TSGAfit(int size,float pm=0.0333,float pc=0.6) :TSGA(size,24,pm,pc){}; void print(); }; 由于GA是一个概率过程，所以每次迭代的情况是不一样的；系统参数不同，迭代情况 也不同。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc= 0.6。变异概率太大，会导致不稳定。 [ Last edited by 幻影无痕 on 2006-11-12 at 08:35 ] |
回复此楼» 收录本帖的淘帖专辑推荐
 水和水的研究 | 英语 | source |
» 猜你喜欢
323求调剂
已经有6人回复
-
一志愿北京化工大学 070300 学硕 336分 求调剂
已经有4人回复
-
352求调剂
已经有3人回复
-
一志愿东华大学化学070300，求调剂
已经有8人回复
-
277材料科学与工程080500求调剂
已经有7人回复
-
317求调剂
已经有18人回复
-
293求调剂
已经有5人回复
-
280分求调剂 一志愿085802
已经有7人回复
-
0854电子信息求调剂
已经有3人回复
-
263求调剂
已经有4人回复
yuefour
金虫 (正式写手)
- 应助: 0 (幼儿园)
- 贵宾: 9.5
- 金币: 1310.7
- 帖子: 838
- 在线: 17小时
- 虫号: 64621
- 注册: 2005-04-16
- 性别: GG
- 专业: 中医内科
2楼2005-06-08 20:30:55
lab2006
金虫 (小有名气)
- 应助: 0 (幼儿园)
- 金币: 1283.5
- 帖子: 103
- 在线: 20.1小时
- 虫号: 299994
- 注册: 2006-11-25
- 性别: GG
- 专业: 电力系统及其自动化
谢谢楼主哈。 3楼2006-12-14 20:55:23
10