遗传算法与其他算法结合

1、遗传算法与其他算法的结合遗传算法与其他算法的结合一、几种常见的算法一、几种常见的算法（1）遗传算法 遗传算法是模拟自然界生物进化过程搜索最优解的方法，基于全局寻优和隐含并行性的特点，已被广泛地应用于多个领域（2）模拟退火算法）模拟退火算法 模拟退火算法是模拟热力学中物理淬火过程的一种学习规则，该算法既能向目标函数优化的方向的迭代，又能以一定的概率接受目标函数路恶化的情况，从而避免了陷入局部最优点，保证获得全局最优解的可靠性，但收敛速度较慢。（3）共轭梯度法）共轭梯度法 共轭梯度法是步长满足一定的下降条件下，以函数的导数及满足共轭性的参数共同确定的搜索方向，进行迭代搜索的求解优化问题的一种常用方

2、法，收敛速度快，但所求的是局部最优解。（4）BP算法算法 BP算法是把神经网络输出层节点的误差逐层向输入层反向传播，修正权值，以获得网络最佳结构的一种误差修正方法。但易于陷入局部最优点，收敛速度慢，易引起振荡效应等，当网络规模变大时，学习时间加剧，不利于网络的在线适应性。二、遗传算法与不同算法的结合二、遗传算法与不同算法的结合（1）基于遗传算法与）基于遗传算法与BP算法的混合算法算法的混合算法 求解连续可微函数的最小值，我们结合遗传算法全局寻优与BP算法快速收敛的优点，可将这两种算法耦合 （1）基于遗传算法与）基于遗传算法与BP算法的混合算算法的混合算法法 具体过程如下：随机产生初始群体；利用

3、遗传算法对初始群体进行优化得到新的种群；对此新的种群用BP法进行训练。对训练后的种群在行选择、交叉、变异等遗传操作；依次迭代得到最优解。混合算法具有较快的收敛速度，而且能以较大的概率收敛到最优解。 &遗传算法与神经网络的结合（2）基于遗传算法与共轭梯度法的混合算法）基于遗传算法与共轭梯度法的混合算法 近年来，神经网络优化问题成为智能计算研究领域中一个十分重要的课题，特别是神经网络结构、权值，学习算法的优化，更是近年来研究的热点。目前关于神经网络优化的研究主要集中在固定网络结构，优化网络权值等，这种单方面的权值优化的网络仍可能会存在冗余的节点，而单方面的结构优化亦会使优化后的网络可能得不

4、到最佳的权值分布，为提高M络的泛化能力，使网络具有很好的适应性，结构与值的优化应该同步进行。（3）基于遗传算法与共轭梯度法的混合算法）基于遗传算法与共轭梯度法的混合算法 为使结构与权值的优化同步进行，将结构与权值混合编码到串中，同时有效地结合遗传算法与共轭梯度法各自的优点提出一种收敛速度快、能收敛到全局最优解的基于混合编码的混合遗传算法。 在具体操作中我们采用混合编码方案，其思路是把节点也编码到串中，以节点本身的优化来搜索合适的结构，求得网络的最优权值。在结构编码部分，采用0l编码，每个输入节点和隐层节点分别对应其中的一位。在权值编码部分，采用实数编码，每个节点对应于一个多维实数；在遗传操作中

5、主要采用两点算术交叉及非均匀算术变异。（2）基于遗传算法与共轭梯度法的混合算法）基于遗传算法与共轭梯度法的混合算法 优点 这种混合算法能以较快的速度对网络结构进行精简，且结构优化前后精度基本不变，仍保持网络较好的泛化能力和容错性，在优化出性能优越的神经刚络结构的同时，又得出了较好的神经网络权值分布。（3）基于遗传算法与模拟退火算法的混合算法）基于遗传算法与模拟退火算法的混合算法 离散时间系统的最优控制是最优控制理论的一类典型问题，其研究的中心问题是：如何根据受控系统的动态特性，在满足一定约束条件下，寻求最优控制规律(控制策略)，才能使得系统按照一定的技术要求进行运转，使其在规定的性能指标(目标

6、函数)下具有最优值，即寻找一个容许的控制规律使动态系统(受控对象)从初始状态转移到某种要求的终端状态，保证所规定的性能指标达到最小(大)值。（3）基于遗传算法与模拟退火算法的混合算法）基于遗传算法与模拟退火算法的混合算法 离散系统的最优控制问题的求解可归结为数学规划问题的求解，常用方法有古典变分法、最小值原理、动态规划，但这些方法需要计算目标函数的梯度，易于陷入局部极值。 结合遗传算法和模拟退火算法各自的优点，提出一种收敛速度快可用离散时间系统最优控制问题的混合算法。 具体过程如下：（3）基于遗传算法与模拟退火算法的混合算法）基于遗传算法与模拟退火算法的混合算法 给定模拟退火温度初始值，进化代

7、数计数器。用实数编码对各个状态进行代数计数器。用实数编码对各个状态进行代数计数器。用实数编码对各个状态进行编码，随机产生初始群体，结合退火罚因子构造适应度函数，对种群中的个体进行评价；利用遗传算法对初始群体进行优化，得到新的种群，引进最优保留策略，对此新的种群用模拟退火算法进行训练，对训练后的种群再进行选择，交叉，变异等遗传操作。依次进行迭代直到满足终止条件。对混合算法优化得到的最优解进行解码。（3）基于遗传算法与模拟退火算法的混合算法）基于遗传算法与模拟退火算法的混合算法 优点 这种混合遗传算法具有良好的收敛性和稳定性。适用大规模的最优控制问题，相对而言，模拟退火算法收敛速度最慢，遗传算法搜