遗传算法学习心得体会Word下载.docx
《遗传算法学习心得体会Word下载.docx》由会员分享,可在线阅读,更多相关《遗传算法学习心得体会Word下载.docx(10页珍藏版)》请在冰豆网上搜索。
型到基本型的映射称为编码。
遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基本型串结构数据,这些串结构数据的不同的组合就构成了不同的点。
2.初始种群的形成:
随机产生n个初始串数据,每个串数据称为一个个体,
n个串数据构成了一个群体。
遗传算法以这n个串结构作为初始点开始迭代。
设置进化代数计数器t0;
设置最大进行代数T;
随机生成m个个体作为初始群体P(0)。
3.适应度检测:
适应度就是借鉴生物个体对环境的适应程度,适应度函数
就是对问题中的个体对象所设计的表征其优劣的一种测度。
根据具体问题计算P(t)的适应度。
4.选择:
将选择算子作用于群体。
选择的目的是把优化的个体直接遗传到
下一代或通过配对交叉产生新的个体再遗传到下一代。
选择操作是建立在群体中个体的适应度评估基础上的。
5.交叉:
将交叉算子作用于群体。
所谓交叉是指把两个父代个体的部分结
构加以替换重组而生成新个体的操作。
遗传算法中起核心作用的就是交叉算子。
6.变异:
将变异算子作用于群体。
即是对群体中的个体串的某些基因座上
的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。
7.终止条件判断:
若t到的具有最大适应度个体作为最优解输出,终止计算。
遗传算法流程图如下图所示:
下几种:
适应度比例方法、随机遍历抽样法、局部选择法。
其中轮盘赌选择法是最简单也是最常用的选择方法。
在该方法中,各个个体的选择概率和其适应度值成比例。
设群体大小为n,其中个体i的适应度为,则i被选择的概率,为遗传算法
2、交叉:
在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。
同样,遗传算法中起核心作用的是遗传操作的交叉算子。
所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。
通过交叉,遗传算法的搜索能力得以飞跃提高。
交叉算子根据交叉率将种群中的两个个体随机地交换某些基因,能够产生新的基因组合,期望将有益基因组合在一起。
根据编码表示方法的不同,可以有以下的算法:
a)实值重组(realvaluedrecombination)
1)离散重组(discreterecombination)
2)中间重组(intermediaterecombination)
3)线性重组(linearrecombination)
4)扩展线性重组(extendedlinearrecombination)。
b)二进制交叉(binaryvaluedcrossover)
1)单点交叉(single-pointcrossover)
2)多点交叉(multiple-pointcrossover)
3)均匀交叉(uniformcrossover)
4)洗牌交叉(shufflecrossover)
5)缩小代理交叉(crossoverwithreducedsurrogate)。
3、变异
变异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。
依据个体编码表示方法的不同,可以有以下的算法:
a)实值变异
b)二进制变异。
一般来说,变异算子操作的基本步骤如下:
a)对群中所有个体以事先设定的编译概率判断是否进行变异
b)对进行变异的个体随机选择变异位进行变异。
例:
简单一元函数优化
求下面函数的最大值:
f(x)=xsin(10*pi*x)+2.0,-1程序:
figure
(1);
fplot(&
#39;
variable.*sin(10*pi*variable)+2.0&
[-1,2]);
%画出函数曲线
%定义遗传算法参数
nind=40;
%个体数目(numberofindividuals)
maXGEn=25;
%最大遗传代数(maximumnumberofgenerations)PREci=20;
%变量的二进制位数(Precisionofvariables)
GGaP=0.9;
%代沟(Generationgap)
trace=zeros(2,maXGEn);
%寻优结果的初始值
Fieldd=[20;
-1;
2;
1;
0;
1];
%区域描述器(Buildfielddescriptor)
chrom=crtbp(nind,PREci);
%初始种群
gen=0;
%代计数器
variable=bs2rv(chrom,Fieldd);
%计算初始种群的十进制转换objV=variable.*sin(10*pi*variable)+2.0;
%计算目标函数值
whilegenFitnV=ranking(-objV);
%分配适应度值(assignfitnessvalues)
Selch=select(&
sus&
chrom,FitnV,GGaP);
%选择
Selch=recombin(&
xovsp&
Selch,0.7);
%重组
Selch=mut(Selch);
%变异
variable=bs2rv(Selch,Fieldd);
%子代个体的十进制转换
objVSel=variable.*sin(10*pi*variable)+2.0;
%计算子代的目标函数值
[chromobjV]=reins(chrom,Selch,1,1,objV,objVSel);
%重插入子代的新种群
gen=gen+1;
%代计数器增加
%输出最优解及其序号,并在目标函数图像中标出,Y为最优解,i为种群的序号
[Y,i]=max(objV);
holdon;
plot(variable(i),Y,&
bo&
);
trace(1,gen)=max(objV);
%遗传算法性能跟踪trace(2,gen)=sum(objV)/length(objV);
end
%最优个体的十进制转
holdon,grid;
plot(variable,objV,&
b*&
figure
(2);
plot(trace(1,:
));
plot(trace(2,:
),&
-.&
grid
legend(&
解的变化&
&
种群均值的变化&
)
篇二:
计算智能学习心得体会
本学期我们水利水电专业开了“计算智能概论”这门课,有我们学院的金菊良教授给我们授课,据说这门课相当难理解,我们课下做了充分的准备,借了计算智能和人工智能相关方面的书籍,并提前了解了一点相关知识,我感觉看着有点先进,给我们以往学的课程有很大区别,是一种全新的概念和理论,里面的遗传算法、模糊集理论、神经网络更是闻所未闻,由于课前读了一些书籍,我以为课堂上应该能容易理解一点,想不到课堂上听着还是相当玄奥,遗传算法还好一点,因为高中学过生物遗传,遗传算法还能理解一点。
像模糊集理论神经网络便不知所云了。
虽然金老师讲课生动形象,幽默风趣,而且举了好多实际的例子,但有一些理论有点偏难。
计算智能(computationalinterlligence,简称ci)并不是一个新的术语,早在1988年加拿大的一种刊物便以ci为名。
1992年,美国学者Jamesc.Bezdek在论文《计算智能》中讨论了神经网络、模式识别与智能之间的关系,并将留能分为生物智能、人工智能和计算智能三个层次。
1993年,Bobmarks写了一篇关于计算留能和人工留能区别的文章,并在文中给出了对ci的理解。
1994年的国际计算智能会议(wccL)的命名就部分地源于Bob的文章,这次iEEE会议特国际神经网络学会(nnc)发起的神经网络(icnn)、模糊系统(Fuzz)和进化计算(icEc)三个年度性会议合为一体,并出版了名为《计算智能》的论文集。
此后,ci这个术语就开始被频繁地使用,同时也出现了许
多关于ci的解释。
1992年,Jamesc.Bezdek提出,ci是依靠生产者提供的数字、数据材料进行加工处理,而不是依赖于知识;
而aiglJ必须用知识进行处理.1994年,James在F1orida,orlando,iEEEwcci会议上再次阐述他的观点,即智能有三个层次:
(1)生物智能(Biologicalintelligence,简称Bi),是由人脑的物理化学过程反映出来的,人脑是有机物,它是智能的基础。
(2)人工智能(artificialintelligence,简称ai),是非生物的,人造的,常用符号来表示,ai的来源是人类知识的精华。
(3)计算智能(computerintellienceence,简称ci),是由数学方法和计算机实现的,ci的来源是数值计算的传感器。
虽然有好多计算智能理论还不太清楚,但是我对新知识还是相当渴望的,因为我本身比较爱学习,且喜欢读书。
我感觉学到了许多知识:
计算智能是一门经验科学,它研究自然的或人工的智能行为形成之原理以“推理即计算”为基本假设,开发某种理论、说明某项智能可以算法化,从而可以用机器模拟和实现;
寻求和接受自然智能之启迪,但不企图完全仿制人类智能,其中心工程目标是研究设计和建立智能计算系统的方法。
由于我们只有16课时,所以我们学的面并不广,金老师主要教了一些计算智能方面的经典理论,我们所学的计算智能所涉及的领域主要包括以下三方面:
遗传算法、人工神经网络方法和模糊集理论。
遗传算法最早由美国michigan大学JohnH.Holland教授提出,
按照生物进化过程中的自然选择(selection)、父代杂交(crossover)和子代变异(mutation)的自然进化(naturalevolution)方式,编制的计算机程序,能够解决许多复杂的优化问题,这类新的优化方法称之为遗传算法(geneticalgorithm,Ga)[7]。
Ga模拟生物进化过程中的主要特征有:
(1)生物个体的染色体(chromosomes)的结构特征,即基因码序列(seriesofgeneticcode)决定了该个体对其生存环境的适应能力。
(2)自然选择在生物群体(population)进化过程中起着主导作用,它决定了群体中那些适应能力(adaptability)强的个体能够生存下来并传宗接代,体现了“优胜劣汰”的进化规律。
(3)个体繁殖(杂交)是通过父代个体间交换基因材料来实