适应性精英种群策略的遗传算法用于多模函数优化公开课一等奖优质课大赛微课获奖课件.pptx

Applied soft computing 11()2034Genetic algorithm with adaptive elitist-population strategies for multimodal function optimization 适应性精英种群策略遗传算法用于多模函数优化适应性精英种群策略遗传算法用于多模函数优化 Yong Liang,Kwong-Sak Leung Keywords:Genetic algorithm Multimodal optimization Niching strategy 第1页第1页摘要摘要v引入了一个新技术引入了一个新技术,适应性精英种群搜索办法。适应性精英种群搜索办法。此办法适应性地调整种群大小，依据个体不相同此办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（应性精英种群遗传算法（AEGAAEGA）第2页第2页1.简介简介v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通过搜索保持了种群多样性，允许GA辨认多模函数多个最优解，但并没有阐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页第3页1.简介简介v精英搜索vs.多样性保持：精英策略在GA中被广泛采用，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，而减少了种群多样性，而GA又需要保持种群多样性来发觉多个最优解。如何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。v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。但大种群将明显增长算法计算复杂性，并产生诸多多出个体，减少了GA效率。第4页第4页第5页第5页2.新适应性精英种群搜索技术新适应性精英种群搜索技术（1）个体相对方向）个体相对方向v对于高维多模函数最大化问题，定义两个个体对于高维多模函数最大化问题，定义两个个体Pi和和Pj相相对上升方向，为了以便定义，通过交叉产生后代个体对上升方向，为了以便定义，通过交叉产生后代个体Ci和和Cj作为参考点，通过比较父代和子代适应度值，定义作为参考点，通过比较父代和子代适应度值，定义两个个体相对方向。个体两个个体相对方向。个体Pi相对于相对于Pj方向定义为：方向定义为：假如假如f(Ci)-f(Pi)0，Pi相对上升方向是移向相对上升方向是移向Pj；假如假如f(Ci)-f(Pi)=0，Pi相对上升方向是相对上升方向是flat；假如假如f(Ci)-f(Pi)=ds，则两个个体是不相同并处于不同峰上；v假如两个个体相对方向是face to face，one-way或flat 而且df(Pi)，将Ci替换Pi进入下一代；假如f(Ci)=f(Pi)，则Pi进入下一代。v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同峰，Ci进入下一代；假如f(Ci)1）倍，则删除适应）倍，则删除适应度低个体。度低个体。第15页第15页3.基于适应性精英种群遗传算法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）基于适应性精英种策略演化算法vStep 1.初始化种群。初始化种群。vStep 2.评价个体适应度。评价个体适应度。vStep 3.执行精英交叉和变异策略，并评价种群执行精英交叉和变异策略，并评价种群适应度。适应度。vStep 4.依据种群控制条件控制种群规模。依据种群控制条件控制种群规模。vStep 5.重复重复step3step4直到到达给定最大代直到到达给定最大代数。数。第16页第16页4.试验试验第17页第17页比较算法比较算法vDeterministic Crowding v Probabilistic CrowdingvSequential Fitness SharingvClearing Procedure vClusteringvBased Niching(CBN)v Clonal Selection vSpecies Conserving Genetic Algorithm(SCGA)第18页第18页试验试验vComparing AEGA with other algorithms for finding all multiple optima of the problemsvin 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 individualsvThe change processes of the AEGAs population sizesvComparing AEGA with other algorithms for finding the multiple high fitness optima of the problemsvThe effect of the distance parameter第19页第19页第20页第20页结论结论本文依据个体不相同性和新型依赖方向精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出了一个适应性精英种群遗传算法（AEGAAEGA），使得多模优化问题中最大多样），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。性和最小种群规模得以保持。第21页第21页文章研读文章研读Add your company slogan第22页第22页