適應(yīng)性精英種群策略的遺傳算法用于多模函數(shù)優(yōu)化ppt課件

1、Applied soft computing 11 (2019) 20192034Genetic algorithm with adaptive elitist-population strategies for multimodal function optimization 順應(yīng)性精英種群戰(zhàn)略的遺傳算法用于多模函數(shù)優(yōu)化 Yong Liang , Kwong-Sak Leung Keywords: Genetic algorithm Multimodal optimization Niching strategy 摘要摘要v引入了一種新技術(shù)引入了一種新技術(shù), ,順應(yīng)性精英種群搜索方法。順應(yīng)性

2、精英種群搜索方法。此方法順應(yīng)性地調(diào)整種群大小，根據(jù)個體的不類此方法順應(yīng)性地調(diào)整種群大小，根據(jù)個體的不類似性和新型的依賴方向的精英遺傳算子，提出了似性和新型的依賴方向的精英遺傳算子，提出了一個順應(yīng)性精英種群遺傳算法一個順應(yīng)性精英種群遺傳算法AEGAAEGA1.引見引見v現(xiàn)實中的許多問題需求優(yōu)化算法可以搜索多個最優(yōu)解。近年來曾經(jīng)提出了各種種群多樣性改良機制，使得GA經(jīng)過搜索堅持了種群的多樣性，允許GA識別多模函數(shù)的多個最優(yōu)解，但并沒有闡明算法對于效率的改良。多模GA的效率必需平衡兩方面的矛盾： 1.引見引見v精英搜索vs.多樣性堅持：精英戰(zhàn)略在GA中被廣泛采用，用于改善全局最優(yōu)搜索才干，但精英戰(zhàn)略

3、關(guān)注某些“最優(yōu)個體，而減少了種群多樣性，而GA又需求堅持種群多樣性來發(fā)現(xiàn)多個最優(yōu)解。如何平衡精英搜索和多樣性堅持對于構(gòu)建有效率的多模GA是很重要的。v算法有效性vs.冗余種群：許多 GA運用大規(guī)模種群來提高獲得全局和多個最優(yōu)解的幾率。但大種群將明顯添加算法計算的復(fù)雜性，并產(chǎn)生很多多余個體，降低了GA的效率。 2.新的順應(yīng)性精英種群搜索技術(shù)新的順應(yīng)性精英種群搜索技術(shù)1個體的相對方向個體的相對方向?qū)τ诟呔S的多模函數(shù)最大化問題，定義兩個個體對于高維的多模函數(shù)最大化問題，定義兩個個體Pi和和Pj的的相對上升方向，為了方便定義，經(jīng)過交叉產(chǎn)生的后代個相對上升方向，為了方便定義，經(jīng)過交叉產(chǎn)生的后代個體體Ci

4、和和Cj作為參考點，經(jīng)過比較父代和子代的順應(yīng)度值，作為參考點，經(jīng)過比較父代和子代的順應(yīng)度值，定義兩個個體的相對方向。個體定義兩個個體的相對方向。個體Pi相對于相對于Pj的方向定義的方向定義為：為：假設(shè)假設(shè)f(Ci)-f(Pi)0，Pi的相對上升方向是移向的相對上升方向是移向Pj；假設(shè)假設(shè)f(Ci)-f(Pi)=0，Pi的相對上升方向是的相對上升方向是flat；假設(shè)假設(shè)f(Ci)-f(Pi)=ds，那么兩個個體是不類似的并處于不同的，那么兩個個體是不類似的并處于不同的峰上；峰上；假設(shè)兩個個體的相對方向是假設(shè)兩個個體的相對方向是face to face，one-way或或flat 并且并且df(P

5、i)f(Ci)f(Pi)，將，將CiCi替代替代Pi Pi進入下一進入下一代；假設(shè)代；假設(shè)f(Ci)=f(Pi)f(Ci)=f(Pi)，那么，那么Pi Pi進入下一代。進入下一代。假設(shè)假設(shè)Pi Pi和和CiCi是不類似的：是不類似的：Pi Pi直接進入下一代；將直接進入下一代；將CiCi與其間隔閾與其間隔閾值范圍內(nèi)的一切個體值范圍內(nèi)的一切個體Pj Pj進展比較進展比較d(Ci,Pj)dsd(Ci,Pj)ds，假設(shè)，假設(shè)不存在這樣的不存在這樣的Pj Pj或或f(Pj) f(Ci)f(Pj) f(Ci)，那么，那么CiCi是未開發(fā)的或至少是未開發(fā)的或至少處于一個不同的峰，處于一個不同的峰，CiCi

6、進入下一代；假設(shè)進入下一代；假設(shè)f(Ci) f(Pj)f(Ci) 1倍，那么刪除順倍，那么刪除順應(yīng)度低的個體。應(yīng)度低的個體。3.基于順應(yīng)性精英種群的遺傳算法基于順應(yīng)性精英種群的遺傳算法 c基于順應(yīng)性精英種戰(zhàn)略演化算法基于順應(yīng)性精英種戰(zhàn)略演化算法Step 1. 初始化種群。初始化種群。Step 2. 評價個體的順應(yīng)度。評價個體的順應(yīng)度。Step 3. 執(zhí)行精英交叉和變異戰(zhàn)略，并評價種群順應(yīng)執(zhí)行精英交叉和變異戰(zhàn)略，并評價種群順應(yīng)度。度。Step 4. 根據(jù)種群控制條件控制種群規(guī)模。根據(jù)種群控制條件控制種群規(guī)模。Step 5. 反復(fù)反復(fù)step3step4直到到達給定的最大代數(shù)。直到到達給定的最大代

7、數(shù)。 4.實驗實驗比較算法比較算法vDeterministic Crowding v Probabilistic CrowdingvSequential Fitness SharingvClearing Procedure vClusteringvBased Niching (CBN) v Clonal Selection vSpecies Conserving Genetic Algorithm (SCGA)實驗實驗v Comparing AEGA with other algorithms for finding all multiple optima of the problemsv i

8、n the final population of AEGA, the 100 individuals decrease to 5 individuals corresponding to the 5 multiple optima, while, on the contrary, the final population of other seven algorithms still have 100 individualsv The change processes of the AEGAs population sizesv Comparing AEGA with other algorithms for finding the multiple high fitness optima of the problemsv The effect of the distance parameter結(jié)論結(jié)論本文根據(jù)個體的不類似性和新型的依賴方本文根據(jù)個體的不類似性和新型的依賴方向的精英遺傳算子，順應(yīng)性地調(diào)整種群大向的精英遺傳算子，順應(yīng)性地調(diào)整