2.4大变异遗传
1) 算法原理
大变异操作的思路是：当某代中所有个体集中在一起时，我们以一个大于通常的变异概率的概率执行一次变异操作，具有大变异概率的变异操作能够随机、独立的产生许多新个体，从而使整个种群脱离早熟。
大变异遗传算法的具体操作过程为：当某一代的最大适应度Fmax与平均适
应度Favg满足
其中0.5＜a＜1，被称为密集因子，表征个体集中的程度。我们就将该代中所有个体
设为具有最高适应度个体的形式，这就是“集中”。随后，以一个比通常变异概率大5
倍以上的概率对集中了的参数进行一次变异操作，这就是“打散”。
大变异操作要求有两个参数是：密集因子和大变异概率。
密集因子用来决定大变异操作在整个优化过程中所占的比重，其数值越接近0.5，
大变异操作被调用的越频繁
大变异概率越大，含大变异操作的遗传算法的稳定性就越好，但是，这是一牺牲收本文来自辣%文,论'文.网，毕业论文 www.751com.cn 加7位QQ324~9114找原文
敛速度为代价的，当其数值等于0.5时，大变异操作就近似蜕化成为随机搜索。
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) 如果当代最大适应度Fmax与平均适应度Favg满足a*Fmax<Favg时，进行大变异操作，否则进行普通变异操作
f) 由交叉和变异产生新一代的种群，返回到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：GMGA
功能：用大变异遗传算法求解一文无约束优化问题
调用格式：[xv,fv]=GMGA(fitness,a,b,NP,NG,Pc,Pm,alpha,Pbm,eps)
%fitness：待优化的目标函数
%a：自变量下界
%b：自变量上界
%NP：种群大小
%NG：最大进化代数
%alpha：密集因子
%Pbm：大变异概率
%Pc：杂交概率
%Pm：变异概率
%eps：自变量离散精度
%xv：目标函数取最小值时的自变量值
%fv：目标函数的最小值
上一页 [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] 下一页