最优化 |
您所在的位置:网站首页 › PSO优化算法使用最小任务分配例题 › 最优化 |
文章目录
GA遗传算法二进制编解码编码解码
复制交叉变异算法实现
PSO粒子群优化算法基本原理总结
GA遗传算法
传送门 仿生物学交叉和变异 交叉:染色体交互位置变异:染色体突变,绿巨人再现所需的就是提取最优的保留下来,达尔文进化论 二进制编解码 编码将问题抽象为适用于遗传算法的形式,将数值转换为二进制 用二进制表示十进制 给定区间范围给定精度,也就是两个数间隔进行编码,每个数值分配一个独一无二的二进制串 串所能表示的数值个数必须要 ≥ 数值解的个数一个长度为n的串,能表示2^n个数example: 区间范围是[1,10],长度为2的串精度(间隔)是多少?(10-1)/(2^n-1)=3区间长度为L,精度为E的情况下,二进制的串的长度为n,三者的关系是L/(2^n-1)≤E要想达到1e-5的精度,对于区间长度10,串的长度n应该满足10/(2^n-1)≤0.00001 —> n ≥20 解码索引:当前串是第几个串,可以通过二进制转10进制得到 example: [1,0],10进制转换结果为2,对应数值表示1+2*3=7 [1,1],10进制转换结果为3,对应数值表示1+3*3=7 一般情况下,区间范围是[a,b]且b-a=L,串长为n,当前串的十进制为T,则该串对应的实值解为:X = a + T * L/(2^n-1) 复制交叉变异复制 将个体的适应度映射为概率进行复制,说白了生活能力强的评分高的,更大概率复制,且复制份数越多—轮盘赌法对适应度高的前N/4的个人进行复制,然后用这些个体把后N/4个体替换—精英产生精英产生新解的方式多种多样,当然可以随机交叉 按顺序,两两个体之间按概率交叉完全可以相互交叉,3个、5个交叉,前N/2交叉,随机N/2选一个个体交叉,多端交叉都是可以的变异 每个个体都进行变异只对适应度低的后N/4,或者后N/2个体变异可以按适应度大小映射变异,多个点位也可以变异 算法实现策略选型 复制:按适应度大小映射为概览,轮盘赌复制交叉:1和2,3和4,一定概率决定是否交叉,如果交叉,则二者选择随机一个段进行交叉变异:按照一定的概率决定该个体是否变异,若变异,随机选择一个位点进行变异:按位取反算法实现思想 轮盘赌基本思想:适应度越高的解,越应该高概率复制,且复制的份数应该越多 exapmle:丢个随机数,看其所在区间范围,如果在0.3—0.7则是属于0.4块,0.4块+1,看其最后每个块的累计和,视频内讲解的其实是归并排序的思想 算法拓展 启发式的算法背后思想都是择优,好的根据一定策略实现更好,差的根据一定策略向好的发展,若下一次不好,那就保底:保底机制+更新策略=寻得最优GA梅开二度 PSO粒子群优化算法传送门 已知A为全局最优,B和C如何移动才能到达A处,可以用数学去表达 D维空间内,N个粒子组合一个群体,其中第i个粒子用Xi(xi1,xi2,…xiD)表示 第i个粒子的飞行速度也是一个D维向量,用Vi(vi1,vi2,…viD)表示,一般会设置最大值 在第t代的第i个粒子向第t+1代进化时,会有如下机制更新 example |
今日新闻 |
点击排行 |
|
推荐新闻 |
图片新闻 |
|
专题文章 |
CopyRight 2018-2019 实验室设备网 版权所有 win10的实时保护怎么永久关闭 |