适应性精英种群策略的遗传算法用于多模函数优化ppt课件

1、Applied soft computing 11 (2019) 20192034Genetic algorithm with adaptive elitist-population strategies for multimodal function optimization 顺应性精英种群战略的遗传算法用于多模函数优化 Yong Liang , Kwong-Sak Leung Keywords: Genetic algorithm Multimodal optimization Niching strategy 摘要摘要v引入了一种新技术引入了一种新技术, ,顺应性精英种群搜索方法。顺应性

2、精英种群搜索方法。此方法顺应性地调整种群大小，根据个体的不类此方法顺应性地调整种群大小，根据个体的不类似性和新型的依赖方向的精英遗传算子，提出了似性和新型的依赖方向的精英遗传算子，提出了一个顺应性精英种群遗传算法一个顺应性精英种群遗传算法AEGAAEGA1.引见引见v现实中的许多问题需求优化算法可以搜索多个最优解。近年来曾经提出了各种种群多样性改良机制，使得GA经过搜索坚持了种群的多样性，允许GA识别多模函数的多个最优解，但并没有阐明算法对于效率的改良。多模GA的效率必需平衡两方面的矛盾： 1.引见引见v精英搜索vs.多样性坚持：精英战略在GA中被广泛采用，用于改善全局最优搜索才干，但精英战略

3、关注某些“最优个体，而减少了种群多样性，而GA又需求坚持种群多样性来发现多个最优解。如何平衡精英搜索和多样性坚持对于构建有效率的多模GA是很重要的。v算法有效性vs.冗余种群：许多 GA运用大规模种群来提高获得全局和多个最优解的几率。但大种群将明显添加算法计算的复杂性，并产生很多多余个体，降低了GA的效率。 2.新的顺应性精英种群搜索技术新的顺应性精英种群搜索技术1个体的相对方向个体的相对方向对于高维的多模函数最大化问题，定义两个个体对于高维的多模函数最大化问题，定义两个个体Pi和和Pj的的相对上升方向，为了方便定义，经过交叉产生的后代个相对上升方向，为了方便定义，经过交叉产生的后代个体体Ci

4、和和Cj作为参考点，经过比较父代和子代的顺应度值，作为参考点，经过比较父代和子代的顺应度值，定义两个个体的相对方向。个体定义两个个体的相对方向。个体Pi相对于相对于Pj的方向定义的方向定义为：为：假设假设f(Ci)-f(Pi)0，Pi的相对上升方向是移向的相对上升方向是移向Pj；假设假设f(Ci)-f(Pi)=0，Pi的相对上升方向是的相对上升方向是flat；假设假设f(Ci)-f(Pi)=ds，那么两个个体是不类似的并处于不同的，那么两个个体是不类似的并处于不同的峰上；峰上；假设两个个体的相对方向是假设两个个体的相对方向是face to face，one-way或或flat 并且并且df(P

5、i)f(Ci)f(Pi)，将，将CiCi替代替代Pi Pi进入下一进入下一代；假设代；假设f(Ci)=f(Pi)f(Ci)=f(Pi)，那么，那么Pi Pi进入下一代。进入下一代。假设假设Pi Pi和和CiCi是不类似的：是不类似的：Pi Pi直接进入下一代；将直接进入下一代；将CiCi与其间隔阈与其间隔阈值范围内的一切个体值范围内的一切个体Pj Pj进展比较进展比较d(Ci,Pj)dsd(Ci,Pj)ds，假设，假设不存在这样的不存在这样的Pj Pj或或f(Pj) f(Ci)f(Pj) f(Ci)，那么，那么CiCi是未开发的或至少是未开发的或至少处于一个不同的峰，处于一个不同的峰，CiCi

6、进入下一代；假设进入下一代；假设f(Ci) f(Pj)f(Ci) 1倍，那么删除顺倍，那么删除顺应度低的个体。应度低的个体。3.基于顺应性精英种群的遗传算法基于顺应性精英种群的遗传算法 c基于顺应性精英种战略演化算法基于顺应性精英种战略演化算法Step 1. 初始化种群。初始化种群。Step 2. 评价个体的顺应度。评价个体的顺应度。Step 3. 执行精英交叉和变异战略，并评价种群顺应执行精英交叉和变异战略，并评价种群顺应度。度。Step 4. 根据种群控制条件控制种群规模。根据种群控制条件控制种群规模。Step 5. 反复反复step3step4直到到达给定的最大代数。直到到达给定的最大代

7、数。 4.实验实验比较算法比较算法vDeterministic Crowding v Probabilistic CrowdingvSequential Fitness SharingvClearing Procedure vClusteringvBased Niching (CBN) v Clonal Selection vSpecies Conserving Genetic Algorithm (SCGA)实验实验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结论结论本文根据个体的不类似性和新型的依赖方本文根据个体的不类似性和新型的依赖方向的精英遗传算子，顺应性地调整种群大向的精英遗传算子，顺应性地调整