进化算法及其在数值计算中的应用.ppt

进化算法及其在数值计算中的应用最优化问题：在满足一定的约束条件下，寻找一组参数值， 使某些最优性度量得到满足，即使系统的某些性能指标达到 最大或最小最优化问题的应用涉及工业技术、社会、经济 、 管理等各个领域，具有重要意义 最优化问题的一般形式为：式中， 称为目标函数， 称为约束函数 极大极小的转换：数学规划：在一些等式或不等式约束条件下，求一个目标函 数的极大（或极小）的优化模型称为数学规划根据有、无 约束条件可以分为约束数学规划和无约束数学规划；根据目 标函数 和约束函数 是否为线性函数，分为 线性规划和非线性规划；根据问题中是否只有一个目标函数， 分为单目标规划和多目标规划 很多非常重要的问题是线性的（或者用线性函数能够很好地 近似表示），因此线性规划的研究具有重要意义与非线性 规划相比，线性规划的研究更加成熟进化算法及其在数值计算中的应用在数学规划中，把满足所有约束条件的点 称为可行点 （或可行解），所有可行点组成的点集称为可行域，记为 于是数学规划即为求 ，并且使得 在 上达到 最大（或最小），把 称为最优点（最优解），称 为最优值。

进化算法及其在数值计算中的应用进化计算（Evolutionary Computation，EC）受生物进化论 和遗传学等理论的启发，是一类模拟生物进化过程与机制，自 组织、自适应的对问题进行求解的人工智能技术进化计算的 具体实现方法与形式称为进化算法（Evolutionary Algorithm， EA） 进化算法是一种具有“生成+检测”（generate-and-test）迭代 过程的搜索算法，算法体现群体搜索和群体中个体之间信息 交换两大策略，为每个个体提供了优化的机会，使得整个群体 在优胜劣汰（survival of the fittest）的选择机制下保证进化的 趋势进化算法及其在数值计算中的应用进化算法采用编码的形式来表示复杂结构，并将每个编码称 为一个个体（individual），算法维持一定数目的编码集合， 称为种群或群体（population）通过对群体中个体进行相应 的操作，最终获得一些具有较高性能指标的个体 进化算法的研究始于20世纪60年代，Holland针对机器学习问 题发展了遗传算法（genetic algorithm，GA），Fogel对于优 化模型系统提出了进化规划（evolutionary programming，EP） Rechenberg和Schwefel对于数值优化问题提出了进化策略 （evolutionary strategy，ES）。

进化算法及其在数值计算中的应用遗传算法是一种宏观意义下的仿生算法，它模仿的机制是一 切生命与智能的产生与进化过程遗传算法通过模拟达尔文 “优胜劣汰、适者生存”的原理，激励好的结构；通过模拟孟 德尔遗传变异理论，在迭代过程中保持已有的结构，同时寻 找更好的结构 适应度：遗传算法中使用适应度这个概念来度量群体中的每 个个体在优化计算中可能达到或接近最优解的程度适应度 较高的个体遗传到下一代的概率较大，而适应度较低的个体 遗传到下一代的概率相对较小度量个体适应度的函数称为 适应度函数（Fitness Function）进化算法及其在数值计算中的应用遗传操作是遗传算法的核心，它直接影响和决定遗传算法的 优化能力，是生物进化机理在遗传算法中的最主要体现，遗 传算法的遗传操作包括选择、变异和交叉 选择（selection）：选择操作与生物的自然选择机制相类似 ，体现了“适者生存，优胜劣汰”的生物进化机理根据适应 度的大小来判断个体的优良，性状优良的个体有更大的机会 被选择，产生后代 比例选择：个体被选中的概率与其适应度大小成正比 假设群体规模为M，个体i的适应度为 ，则个体i被选中的 概率为进化算法及其在数值计算中的应用交叉（crossover）：交叉操作是指对两个相互配对的染色体 按某种方式相互交换其部分基因，从而形成两个新的个体。

交叉运算是遗传算法区别于其它进化算法的重要特征，它在 遗传算法中起着关键作用，是产生新个体的主要方法，决定 了遗传算法的全局搜索能力进化算法及其在数值计算中的应用单点交叉 ：算术交叉 ： 变异（mutation）：变异运算是指将个体染色体编码串中的 某些基因座上的基因值用该基因座上的其它等位基因来替换 从而形成一个新的个体变异运算只是产生新个体的辅助方 法，但也是一个必不可少的运算步骤，它决定了遗传算法的 局部搜索能力通过变异操作可以维持群体多样性，防止出 现早熟现象，改善遗传算法的局部搜索能力 基本位变异：对个体编码串中以变异概率随机指定的某一位 或某几位基因座上的基因值做变异运算二进制中，把基因 值取反，即0变1，1变0浮点数编码中对选定的第i个个体 进行逆转操作，如果浮点数变化范围是 ，则进化算法及其在数值计算中的应用遗传算法是一个迭代过程，它模拟生物在自然环境中的遗传 和进化机理，反复将选择算子、交叉算子、变异算子作用于 群体，最终可得到问题的最优解或近似最优解遗传算法提 供了一种求解复杂系统优化问题的通用框架，它不依赖于问 题的领域和种类 对于一个需要进行优化计算的实际应用问题，可按下述步骤 构造求解该问题的遗传算法: 第一步：确定决策变量及其各种约束条件，即确定出个体的 表现型和问题的解空间； 第二步：建立优化模型，即确定出目标函数的类型（求解目 标函数的最大值还是最小值）及其数学描述形式或量化方法进化算法及其在数值计算中的应用第三步：确定表示可行解的染色体编码方法，即确定出个体 的基因型及遗传算法的搜索空间； 第四步：确定解码方法，即确定出由个体基因型到个体表现 型的对应关系或转换方法； 第五步：确定个体适应度的量化评价方法，即确定出由目标 函数值 到个体适应度值 的转换规则； 第六步：设计遗传算法，即确定出选择、交叉、变异等遗传 算子的具体操作方法； 第七步：确定遗传算法的有关运行参数，包括个体数、进化 代数、变异概率、交叉概率等。

进化算法及其在数值计算中的应用进化算法及其在数值计算中的应用具体的运算步骤： 第一步：初始化，设置进化代数记数器 ，设置最大进 化代数T，随机生成M个个体作为初始群体 ； 第二步：个体评价，计算群体 中每个个体的适应度 第三步：选择运算； 第四步：交叉运算； 第五步：变异运算，群体 经过选择、交叉、变异运算得到 下一代群体 ； 第六步：终止条件判断，若 ，则 ，转到第二 步；若 ，则以进化过程中所得到的具有最大适应度的 个体作为最优解输出，终止计算进化算法及其在数值计算中的应用进化算法及其在数值计算中的应用群体智能算法（Swarm Intelligence Algorithm）的研究开始 于20世纪90年代，其基本思想是模拟自然界生物的群体行为 来构造随机优化算法典型的有蚁群算法、粒子群算法、人 工鱼群算法等 粒子群优化（Particle Swarm Optimization，PSO）算法由 美国社会心理学家James Kennedy和电气工程师Eberhart共 同提出。

基本思想是受到鸟群和鱼群群体觅食行为研究结果 的启发，与基于达尔文“适者生存，优胜劣汰”进化思想不同， 粒子群优化算法是通过个体间的协作来寻找最优解的作为 一种新的并行优化进化算法，粒子群优化算法具有很强的通 用性，可用于解决大量非线性、不可微和多峰值的复杂问题 优化，并已广泛应用于科学和工程领域进化算法及其在数值计算中的应用自然界中各种生物体均具有一定的群体行为，人工生命的主 要研究领域之一就是探索自然界生物的群体行为，从而在计 算机上构建其群体模型通常，群体行为可以由几条简单的 规则进行建模，但群体表现出的行为却非常复杂在对鸟群 行为进行仿真时，可以采用下面三条简单规则： （1）飞离最近的个体，避免碰撞 （2）飞向目标 （3）飞向群体的中心 群体内的每一个体的行为可采用上述规则描述，这是粒子群 算法的基本概念之一进化算法及其在数值计算中的应用在研究人类的决策过程中，人们提出了个体学习和文化传递 的概念一个人在决策过程中，会使用两类重要的信息： 一是自身的经验，二是其他人的经验也就是说，人们根据 自身的经验和他人的经验进行自己的决策这是粒子群算法 的另一基本概念 粒子群（PSO）算法与其它进化类算法相类似，也采用“群体” 与“进化”的概念，同样也是依据个体（粒子）的适应度大小进 行操作。

粒子群算法将每个个体看作是在N维搜索空间中的一 个没有重量和体积的粒子，并在搜索空间中以一定的速度飞行 飞行速度由个体的飞行经验和群体的飞行经验进行动态调整进化算法及其在数值计算中的应用假设 为粒子 的当前位置， 为粒子 的当前飞行速度， 为粒子 所飞 过的最好位置，也就是粒子 所经历过的具有最好适应度的位 置，称为个体最好位置对于最小化问题，目标函数值越小 ，对应的适应度越好为了讨论方便，设 为最小化的目 标函数，则粒子 的当前最好位置由下式确定：进化算法及其在数值计算中的应用假设群体中的粒子数为 ，群体中所有的粒子所飞过的最好 位置为 ，称为全局最好位置，则：有了上面的定义，基本粒子群算法的进化方程可描述为：式中，下标 表示粒子的第 维，即第 个决策变量； 表示 第 个粒子； 表示代数； 表示加速常数，通常在0～ 2之间取值； 为两个相互独立均匀分 布的随机函数。

进化算法及其在数值计算中的应用从上述粒子进化方程可以看出， 调节粒子飞向自身最好位 置方向的步长， 调节粒子向全局最好位置飞行的步长为 了减少在进化过程中，粒子离开搜索空间的可能性， 通常 限定于一定范围内，即 微粒的最大速度 取决于当前位置与最好位置间区域的分辨率若 太高， 则微粒可能会飞过最好解；若 太小，则又将导致微粒移 动速度过慢而影响搜索效率；而且当微粒聚集到某个较好解 附近时，由于 过小而不利于微粒跳出局部最优解通常 设定为每个决策变量变化范围的10%~20%，即如果问题的 搜索空间限定在内 ，则可设定 进化算法及其在数值计算中的应用基本粒子群算法的初始化过程为： （1）设定群体规模M，即个体的数量； （2）对任意i、j，在 内服从均匀分布产生 ； （3）对任意i、j，在 内服从均匀分布产生 ； （4）对任意i，设定 。

算法的运算过程： （1）依照上述初始化过程，对粒子群的随机位置和速度进 行初始设定； （2）计算每个粒子的适应度； （3）对于每个粒子，将其适应度与所飞过的最好位置 的 适应度进行比较，若较好，则将其作为当前的最好位置；进化算法及其在数值计算中的应用（4）对于每个粒子，将其适应度与全局所经历的最好位置 的适应度进行比较，若较好，则将其作为当前的全局最好位置 （5）根。