适应性精英种群策略的遗传算法用于多模函数优化名师优质课赛课一等奖市公开课获奖课件Appliedsoftcomputing11()–2034Geneticalgorithmwithadaptiveelitist-populationstrategiesformultimodalfunctionoptimization适应性精英种群策略遗传算法用于多模函数优化YongLiang,Kwong-SakLeungKeywords:GeneticalgorithmMultimodaloptimizationNichingstrategy第1页摘要引入了一个新技术,适应性精英种群搜索方法。此方法适应性地调整...
Appliedsoftcomputing11()–2034Geneticalgorithmwithadaptiveelitist-populationstrategiesformultimodalfunctionoptimization适应性精英种群策略遗传算法用于多模函数优化YongLiang,Kwong-SakLeungKeywords:GeneticalgorithmMultimodaloptimizationNichingstrategy第1页摘要引入了一个新技术,适应性精英种群搜索方法。此方法适应性地调整种群大小，依据个体不相同性和新型依赖方向精英遗传算子，提出了一个适应性精英种群遗传算法（AEGA）第2页1.介绍现实中许多问题需要优化算法能够搜索多个最优解。近年来已经提出了各种种群多样性改进机制，使得GA经过搜索保持了种群多样性，允许GA识别多模函数多个最优解，但并没有说明算法对于效率改进。多模GA效率必须平衡两方面矛盾：第3页1.介绍精英搜索vs.多样性保持：精英策略在GA中被广泛采取，用于改进全局最优搜索能力，但精英策略关注一些“最优”个体，而降低了种群多样性，而GA又需要保持种群多样性来发觉多个最优解。怎样平衡精英搜索和多样性保持对于构建有效率多模GA是很主要。算法有效性vs.冗余种群：许多GA使用大规模种群来提升取得全局和多个最优解几率。但大种群将显著增加算法计算复杂性，并产生很多多出个体，降低了GA效率。第4页第5页2.新适应性精英种群搜索技术（1）个体相对方向对于高维多模函数最大化问题，定义两个个体Pi和Pj相对上升方向，为了方便定义，经过交叉产生后代个体Ci和Cj作为参考点，经过比较父代和子代适应度值，定义两个个体相对方向。个体Pi相对于Pj方向定义为：假如f(Ci)-f(Pi)>0，Pi相对上升方向是移向Pj；假如f(Ci)-f(Pi)=0，Pi相对上升方向是flat；假如f(Ci)-f(Pi)<0，Pi相对上升方向是远离Pj；同理能够定义Pj相对于Pi上升方向。第6页2.新适应性精英种群搜索技术（1）个体相对方向两个个体相对上升方向有四种情况：Backtoback:Pi远离Pj，同时Pj远离Pi；Facetoface:Pi移向Pj，同时Pj移向Pi；One-way:Pi远离Pj，同时Pj移向Pi，或者Pj远离Pi，同时Pi移向Pj；Flat:f(Ci)-f(Pi)=0或f(Cj)-f(Pj)=0PiCiPjCjPiCiPjCjPiCiPjCjBacktobackFacetofaceOne-way第7页第8页2.新适应性精英种群搜索技术（2）不相同个体处于多模函数不一样峰上点被看做不相同个体，依据个体相对上升方向和个体间距离d判断个体不相同性。个体间距离阈值为ds，不相同性标准为：假如两个个体相对方向是backtoback，或d>=ds，则两个个体是不相同并处于不一样峰上；假如两个个体相对方向是facetoface，one-way或flat而且d<ds，则两个个体是相同并处于同一峰上。第9页3.基于适应性精英种群遗传算法基于生境迁移动态小生境遗传聚类算法：（a）精英遗传算子精英交叉算子用于搜索精英个体，精英变异算子用于产生并保护处于未探索到峰上精英个体。精英交叉算子：①随机选择两个个体Pi和Pj，利用交叉策略产生后代Ci和Cj；第10页3.基于适应性精英种群遗传算法精英交叉算子：②对Pi和Pj应用不相同性判断标准；若Pi和Pj是不相同：假如子代适应度大于父代，则用子代替换其父代；假如全部父代和子代适应度相同，则选择距离最大两个个体替换父代个体。若Pi，Pj，Ci，Cj都是相同：假如全部父代和子代适应度相同，则从四个个体中随机选择一个个体替换父代个体Pi；不然从四个个体中选择适应度最好个体替换Pi。然后移去Pj。第11页第12页3.基于适应性精英种群遗传算法精英变异算子：①随机选择个体Pi，利用变异策略产生后代Ci；②判断Pi和Ci不相同性；若Pi和Ci是相同：假如f(Ci)>f(Pi)，将Ci替换Pi进入下一代；假如f(Ci)=f(Pi)，则Pi进入下一代。若Pi和Ci是不相同：Pi直接进入下一代；将Ci与其距离阈值范围内全部个体Pj进行比较（d(Ci,Pj)<ds），假如不存在这么Pj或f(Pj)<f(Ci)，则Ci是未开发或最少处于一个不一样峰，Ci进入下一代；假如f(Ci)<f(Pj)，则移去Ci。第13页第14页3.基于适应性精英种群遗传算法（b）种群控制条件上述精英交叉变异算子保留了很多低适应度个体，降低了寻优效率，设计以下种群控制条件：①假如新产生个体经过若干代后，适应度仍很低，则删除此个体；②假如种群规模由N增至λ（λ>1）倍，则删除适应度低个体。第15页3.基于适应性精英种群遗传算法（c）基于适应性精英种策略演化算法Step1.初始化种群。Step2.评价个体适应度。Step3.执行精英交叉和变异策略，并评价种群适应度。Step4.依据种群控制条件控制种群规模。Step5.重复step3—step4直到抵达给定最大代数。第16页4.试验第17页比较算法DeterministicCrowdingProbabilisticCrowdingSequentialFitnessSharingClearingProcedureClusteringBasedNiching(CBN)ClonalSelectionSpeciesConservingGeneticAlgorithm(SCGA)第18页试验ComparingAEGAwithotheralgorithmsforfindingallmultipleoptimaoftheproblemsinthefinalpopulationofAEGA,the100individualsdecreaseto5individualscorrespondingtothe5multipleoptima,while,onthecontrary,thefinalpopulationofothersevenalgorithmsstillhave100individualsThechangeprocessesoftheAEGA’spopulationsizesComparingAEGAwithotheralgorithmsforfindingthemultiplehighfitnessoptimaoftheproblemsTheeffectofthedistanceparameter第19页第20页结论本文依据个体不相同性和新型依赖方向精英遗传算子，适应性地调整种群大小，提出了一个适应性精英种群遗传算法（AEGA），使得多模优化问题中最大多样性和最小种群规模得以保持。第21页ThankYou!Addyourcompanyslogan第22页
本文档为【适应性精英种群策略的遗传算法用于多模函数优化名师优质课赛课一等奖市公开课获奖课件】，请使用软件OFFICE或WPS软件打开。作品中的文字与图均可以修改和编辑，
图片更改请在作品中右键图片并更换，文字修改请直接点击文字进行修改，也可以新增和删除文档中的内容。
该文档来自用户分享，如有侵权行为请发邮件ishare@vip.sina.com联系网站客服，我们会及时删除。
[版权声明] 本站所有资料为用户分享产生，若发现您的权利被侵害，请联系客服邮件isharekefu@iask.cn，我们尽快处理。
本作品所展示的图片、画像、字体、音乐的版权可能需版权方额外授权，请谨慎使用。
网站提供的党政主题相关内容(国旗、国徽、党徽..)目的在于配合国家政策宣传，仅限个人学习分享使用，禁止用于任何广告和商用目的。
浙公网安备 33021202002483