2.3适值函数标定的遗传算法
1) 算法原理
一般情况下，直接讲目标函数作为适应值函数，这样比较个体的优劣十分方便。但是很多情况下不能直接将目标作为适应值函数，例如对于最小值问题，须将目标取反才能作为适值函数，只是最简单的情况。
有时由于目标函数之间的相对差别很小，从而各个个体的选择概率差别很小，此时各个个体选择的几率几乎一样，这将导致遗传算法的选择功能被弱化，此时需要对目标函数进行标定（也就是进行变换），标定的方法有线性标定，动态线性表定，冥绿标定，对数标定。对于最大化问题，动态线性标定的变换公式如下：
上式中F为适应值函数，f为目标函数值， 为第k代个体的最小目标函数值，
为选择压力调节值，它是一个较小的数，它随着k的增大而减小，一般采用如下的设置方法：
其中M，c为常数，c为[0.9,0.999]
2) 算法步骤
a) 随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码
b) 对目标函数值作变换，计算个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束计算，否则转向c)
c) 依据适应度选择再生个体，适应度的个体被选中的概率高，适应度低得个体可能被淘汰
d) 按照一定的交叉概率和交叉方法，生成新的个体
e) 按照一定的变异概率和变异方法，生成新的个体
f) 由交叉和变异产生新一代的种群，返回b)
3) 算法的matlab实现
在matlab中编程实现的动态线性标定适应值的遗传算法函数为：NormFitGA
功能：用动态线性标定适应值的遗传算法求解一文无约束优化问题。
调用格式：[xv,fv]= NormFitGA(fitness,a,b,NP,NG,ksi0,Pc,Pm,eps)
%fitness：待优化的目标函数
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] 下一页