数学建模常用方法.docx
- 文档编号:9609041
- 上传时间:2023-05-20
- 格式:DOCX
- 页数:8
- 大小:21.09KB
数学建模常用方法.docx
《数学建模常用方法.docx》由会员分享,可在线阅读,更多相关《数学建模常用方法.docx(8页珍藏版)》请在冰点文库上搜索。
数学建模常用方法
遗传算法
维基百科,自由的百科全书
跳转到:
导航,搜索
遗传算法是计算数学中用于解决最优化的搜索算法,是进化算法的一种。
进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择以及杂交等。
遗传算法通常实现为一种计算机模拟。
对于一个最优化问题,一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。
传统上,解用二进制表示(即0和1的串),但也可以用其他表示方法。
进化从完全随机个体的种群开始,之后一代一代发生。
在每一代中,整个种群的适应度被评价,从当前种群中随机地选择多个个体(基于它们的适应度),通过自然选择和突变产生新的生命种群,该种群在算法的下一次迭代中成为当前种群。
目录
[隐藏]
∙1遗传算法的机理
o1.1算法
o1.2GA参数
o1.3特点
∙2变量
∙3适用的问题
∙4发展历史
∙5应用领域
∙6相关技术
∙7参见
∙8参考文献
∙9外部链接
[编辑]遗传算法的机理
在遗传算法裏,优化问题的解被称为个体,它表示为一个参数列表,叫做染色体或者基因串。
染色体一般被表达为简单的字符串或数字串,不过也有其他的表示方法适用,这一过程称为编码。
一开始,算法随机生成一定数量的个体,有时候操作者也可以对这个随机产生过程进行干预,播下已经部分优化的种子。
在每一代中,每一个个体都被评价,并通过计算适应度函数得到一个适应度数值。
种群中的个体被按照适应度排序,适应度高的在前面。
这里的“高”是相对于初始的种群的低适应度来说的。
下一步是产生下一代个体并组成种群。
这个过程是通过选择和繁殖完成的,其中繁殖包括交配(crossover)和突變(mutation)。
选择则是根据新个体的适应度进行的,适应度越高,被选择的机会越高,而适应度低的,被选择的机会就低。
初始的数据可以通过这样的选择过程组成一个相对优化的群体。
之后,被选择的个体进入交配过程。
一般的遗传算法都有一个交配概率,范围一般是0.6~1,这个交配概率反映两个被选中的个体进行交配的概率。
例如,交配概率为0.8,则80%的“夫妻”会生育后代。
每两个个体通过交配产生两个新个体,代替原来的“老”个体,而不交配的个体则保持不变。
交配父母的染色体相互交換,从而产生两个新的染色体,第一个个体前半段是父亲的染色体,后半段是母亲的,第二个个体则正好相反。
不过这里的半段並不是真正的一半,这个位置叫做交配点,也是随机产生的,可以是染色体的任意位置。
再下一步是突變,通过突變产生新的“子”个体。
一般遗传算法都有一个固定的突變常数,通常是0.1或者更小,这代表变异发生的概率。
根据这个概率,新个体的染色体随机的突變,通常就是改变染色体的一个字节(0变到1,或者1变到0)。
经过这一系列的过程(选择、交配和突變),产生的新一代个体不同于初始的一代,并一代一代向增加整体适应度的方向发展,因为最好的个体总是更多的被选择去产生下一代,而适应度低的个体逐渐被淘汰掉。
这样的过程不断的重复:
每个个体被评价,计算出适应度,两个个体交配,然后突變,产生第三代。
周而复始,直到终止条件满足为止。
一般终止条件有以下几种:
∙进化次数限制;
∙计算耗费的资源限制(例如计算时间、计算占用的内存等);
∙一个个体已经满足最优值的条件,即最优值已经找到;
∙适应度已经达到饱和,继续进化不会產生适应度更好的个体;
∙人为干预;
∙以及以上两种或更多种的组合。
[编辑]算法
选择初始生命种群
循环
评价种群中的个体适应度
以比例原則(分數高的挑中機率也較高)选择产生下一个种群(輪盤法en:
roulettewheelselection、競爭法en:
tournamentselection及等級輪盤法RankBasedWheelSelection)。
不僅僅挑分數最高的的原因是這麼做可能收斂到local的最佳點,而非globe的。
改变该种群(交叉和变异)
直到停止循环的条件满足
[编辑]GA参数
∙种群规模(P,populationsize):
即种群中染色体个体的数目。
∙字串长度(l,stringlength)
∙交叉概率(pc,probabilityofperformingcrossover):
控制着交叉算子的使用频率。
交叉操作可以加快收敛,使解达到最有希望的最优解区域,因此一般取较大的交叉概率,但交叉概率太高也可能导致过早收敛。
∙变异概率(pm,probabilityofmutation):
控制着变异算子的使用频率。
∙中止条件(terminationcriteria)
[编辑]特点
遗传算法在解决优化问题过程中有如下特点:
∙遗传算法在适应度函数选择不当的情况下有可能收敛于局部最优,而不能达到全局最优。
∙初始种群的数量很重要,如果初始种群数量过多,算法会占用大量系统资源;如果初始种群数量过少,算法很可能忽略掉最优解。
∙对于每个解,一般根据实际情况进行编码,这样有利于编写变异函数和合适方程(FitnessFunction)。
∙在编码过的遗传算法中,每次变异的编码长度也影响到遗传算法的效率。
如果变异代码长度过长,变异的多样性会受到限制;如果变异代码过短,变异的效率会非常低下,选择适当的变异长度是提高效率的关键。
∙变异率也是一个重要的参数。
∙对于动态数据,用遗传算法求最优解比较困难,因为染色体种群很可能过早地收敛,而对以后变化了的数据不再产生变化。
对于这个问题,研究者提出了一些方法增加基因的多样性,从而防止过早的收敛。
其中一种是所谓触发式超级变异,就是当染色体群体的质量下降(彼此的区别减少)时增加变异概率;另一种叫随机外来染色体,是偶尔加入一些全新的随机生成的染色体个体,从而增加染色体多样性。
∙选择过程很重要,但交叉和变异的重要性存在争议。
一种观点认为交叉比变异更重要,因为变异仅仅是保证不丢失某些可能的解;而另一种观点则认为交叉过程的作用只不过是在种群中推广变异过程所造成的更新,对于初期的种群来说,交叉几乎等效于一个非常大的变异率,而这么大的变异很可能影响进化过程。
∙遗传算法很快就能找到良好的解,即使是在很复杂的解空间中。
∙遗传算法并不一定总是最好的优化策略,优化问题要具体情况具体分析。
所以在使用遗传算法的同时,也可以尝试其他算法,互相补充,甚至根本不用遗传算法。
∙遗传算法不能解决那些“大海捞针”的问题,所谓“大海捞针”问题就是没有一个确切的适应度函数表征个体好坏的问题,遗传算法对这类问题无法找到收敛的路。
∙对于任何一个具体的优化问题,调节遗传算法的参数可能会有利于更好的更快的收敛,这些参数包括个体数目、交叉律和变异律。
例如太大的变异律会导致丢失最优解,而过小的变异律会导致算法过早的收敛于局部最优点。
对于这些参数的选择,现在还没有实用的上下限。
∙适应度函数对于算法的速度和效果也很重要。
[编辑]变量
最简单的遗传算法将染色体表示为一个数位串,数值变量也可以表示成整数,或者实数(浮点数)。
算法中的杂交和突变都是在字节串上进行的,所以所谓的整数或者实数表示也一定要转化为数位形式。
例如一个变量的形式是实数,其范围是0~1,而要求的精度是0.001,那么可以用10个数位表示:
0000000000表示0,1111111111表示1。
那么0110001110就代表0.389。
在遗传算法里,精英选择是一种非常成功的产生新个体的策略,它是把最好的若干个个体作为精英直接带入下一代个体中,而不经过任何改变。
通过并行计算实现遗传算法一般有两种,一种是所谓粗糙并行遗传算法,即一个计算单元包含一个种群;而另一种是所谓精细并行遗传算法,每一个计算单元处理一个染色体个体。
遗传算法有时候还引入其他变量,例如在实时优化问题中,可以在适应度函数中引入时间相关性和干扰。
[编辑]适用的问题
遗传算法擅长解决的问题是全局最优化问题,例如,解决时间表安排问题就是它的一个特长,很多安排时间表的软件都使用遗传算法,遗传算法还经常被用于解决实际工程问题。
跟传统的爬山算法相比,遗传算法能够跳出局部最优而找到全局最优点。
而且遗传算法允许使用非常复杂的适应度函数(或者叫做目标函数),并对变量的变化范围可以加以限制。
而如果是传统的爬山算法,对变量范围进行限制意味着复杂的多的解决过程,这方面的介绍可以参看受限优化问题和非受限优化问题。
[编辑]发展历史
遗传算法由密歇根大学的约翰·霍兰德和他的同事于二十世纪六十年代在对细胞自动机(英文:
cellularautomata)进行研究时率先提出。
在二十世纪八十年代中期之前,对于遗传算法的研究还仅仅限于理论方面,直到在伊利诺伊大学召开了第一届世界遗传算法大会。
随着计算机计算能力的发展和实际应用需求的增多,遗传算法逐渐进入实际应用阶段。
1989年,纽约时报作者约翰·马科夫写了一篇文章描述第一个商业用途的遗传算法--进化者(英文:
Evolver)。
之后,越来越多种类的遗传算法出现并被用于许多领域中,财富杂志500强企业中大多数都用它进行时间表安排、数据分析、未来趋势预测、预算、以及解决很多其他组合优化问题。
[编辑]应用领域
∙工业工程与运作管理
∙物流系统设计
∙生产调度
∙制造系统控制
∙系统优化设计
∙汽车设计,包括材料选择、多目标汽车组件设计、减轻重量等。
∙机电系统设计。
∙分布计算机网络的拓扑结构。
∙电路设计,此类用途的遗传算法叫做进化电路。
∙电子游戏设计,例如计算平衡解决方案。
∙机器智能设计和机器人学习。
∙模糊控制系统的训练。
∙移动通讯优化结构。
∙时间表安排,例如为一个大学安排不冲突的课程时间表。
∙旅行推销员问题。
∙神经网络的训练,也叫做神经进化。
[编辑]相关技术
遗传程序是约翰Koza与遗传算法相关的一个技术,在遗传程序中,并不是参数优化,而是计算机程序优化。
遗传程序一般采用树型结构表示计算机程序用于进化,而不是遗传算法中的列表或者数组。
一般来说,遗传程序比遗传算法慢,但同时也可以解决一些遗传算法解决不了的问题。
交互式遗传算法是利用人工评价进行操作的遗传算法,一般用于适应度函数无法得到的情况,例如,对于图像、音乐、艺术的设计和“优化”,或者对运动员的训练等。
模拟退火是解决全局优化问题的另一个可能选择。
它是通过一个解在搜索空间的随机变动寻找最优点的方法:
如果某一阶段的随机变动增加适应度,则总是被接受,而降低适应度的随机变动根据一定的概率被有选择的接受。
这个概率由当时的退火温度和适应度恶化的程度决定,而退火温度按一定速度降低。
从模拟退火算法看,最优化问题的解是通过寻找最小能量点找到的,而不是寻找最佳适应点找到的。
模拟退火也可以用于标准遗传算法里,只要把突变率随时间逐渐降低就可以了。
[编辑]参见
∙演化策略
∙遗传编程
∙演化规划
∙模拟退火
∙禁忌搜索
∙旅行推销员问题
∙最优化
[编辑]参考文献
∙Goldberg,DavidE(1989),遗传算法:
搜索、优化和机器学习,KluwerAcademicPublishers,Boston,MA.
∙Goldberg,DavidE(2002),创新的设计:
竞争遗传算法课程,Addison-Wesley,Reading,MA.
∙Harvey,Inman(1992),物种适应和遗传算法持续进行的基础in'TowardaPracticeofAutonomousSystems:
ProceedingsoftheFirstEuropeanConferenceonArtificialLife',F.J.VarelaandP.Bourgine(eds.),MITPress/BradfordBooks,Cambridge,MA,pp.346-354.
∙Koza,John(1992),遗传算法:
通过自然选择编写计算机程序
∙Michalewicz,Zbigniew(1999),遗传算法+数据结构=进化程序,Springer-Verlag.
∙Mitchell,Melanie,(1996),遗传算法概论,MITPress,Cambridge,MA.
∙Poli,R.,Langdon,W.B.,McPhee,N.F.(2008).AFieldGuidetoGeneticProgramming.L,freelyavailablefromtheinternet.ISBN978-1-4092-0073-4.
∙Schmitt,LotharM(2001),遗传算法理论,TheoreticalComputerScience(259),pp.1-61
∙Schmitt,LotharM(2004),遗传算法理论
(二),TheoreticalComputerScience(310),pp.181-231
∙Vose,MichaelD(1999),简单遗传算法:
基础和理论,MITPress,Cambridge,MA.
[编辑]外部链接
∙http:
//cs.felk.cvut.cz/~xobitko/ga/-用Java语言编写的遗传算法在线介绍程序。
∙伊利诺斯遗传算法实验室-可以下载技术报告和程序源代码。
∙GlobalOptimizationAlgorithms-TheoryandApplication
来自“http:
//zh.wikipedia.org/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95”
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 数学 建模 常用 方法