关于优化算法的讨论帖2 详解GA

panhao1 · 发表于 2010-11-20 00:58:31

这里找到了一个极为形象的图。 http://wiki.mbalib.com/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95

　　　　　　　　　　　　图3—7中表示了遗传算法的执行过程遗传算法的特点　　1．遗传算法从问题解的中集开始嫂索，而不是从单个解开始。　　这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，复盖面大，利于全局择优。　　2．遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。　　由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问题。　　3．遗传算法有极强的容错能力　　遗传算法的初始串集本身就带有大量与最优解甚远的信息；通过选择、交叉、变异操作能迅速排除与最优解相差极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。故而，遗传算法有很高的容错能力。　　4．遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。　　这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。　　5．遗传算法具有隐含的并行性

panhao1 · 发表于 2010-11-20 00:59:51

编码方法主要有下列3种：　　(1)直接编码法　　这是把神经网络结构直接用二进制串表示，在遗传算法中，“染色体”实质上和神经网络是一种映射关系。通过对“染色体”的优化就实现了对网络的优化。　　(2)参数化编码法　　参数化编码采用的编码较为抽象，编码包括网络层数、每层神经元数、各层互连方式等信息。一般对进化后的优化“染色体”进行分析，然后产生网络的结构。　　(3)繁衍生长法　　这种方法不是在“染色体”中直接编码神经网络的结构，而是把一些简单的生长语法规则编码入“染色体”中；然后，由遗传算法对这些生长语法规则不断进行改变，最后生成适合所解的问题的神经网络。这种方法与自然界生物地生长进化相一致。

panhao1 · 发表于 2010-11-20 01:17:56

本帖最后由 panhao1 于 2010-11-20 01:19 编辑 实数编码又叫真实值编码，个体的每个基因位用某一范围内的一个浮点来表示，个体的编码长度取决于决策量的个数实数编码有一些缺陷改进方法很多大家可以在cnki上找到这里就不再多解释了交叉变异的参数还是蛮多的不过具体问题应该有不同的最优参数和渲染设置有点像这里还是要靠大家自己去试验看不懂的地方多wiki一下一般都能搜到一大堆

zhouningyi1 · 发表于 2010-11-20 10:00:57

本帖最后由 zhouningyi1 于 2010-11-20 10:02 编辑 可以再看看书吧，我去群里发一下有遗传算法的书，前几章是很简单的昨天正好在玩这个，感觉前途不错，可以做规划类的东西

Viking · 发表于 2010-11-20 14:23:22

这一串让我想起了8个字：共存反依赖独立共生

ssslee · 发表于 2010-11-25 11:24:23

恩，之前听一个清华的老师讲过这个，看了之后又多理解了一点

sysjs · 发表于 2010-12-1 21:24:25

不大理解……

huangchang0528 · 发表于 2010-12-3 23:13:17

好深奥啊~~~~~

mistaker · 发表于 2011-2-18 12:46:08

虽然不懂，但还是学习学习

nauygnod · 发表于 2011-3-1 18:25:48

谢谢分享，支持

nauygnod · 发表于 2011-3-1 18:26:04

谢谢分享，支持

nauygnod · 发表于 2011-3-1 18:26:21

谢谢分享，支持

尹英壁 · 发表于 2011-5-3 13:10:21

额、深奥、、慢慢研究、、、

elisajean · 发表于 2011-11-20 08:43:07

{:3_46:}{:3_46:} 1# panhao1

sunnyzh · 发表于 2011-12-28 11:14:39

呵呵，理论是对的，但是真能用到建筑上么？

Mango · 发表于 2012-5-19 00:12:47

多谢楼主现身说法

沦落人 · 发表于 2013-5-24 10:48:24

不知道如何可以应用遗传算法，处在朦胧期

帐号		自动登录	找回密码
密码			注册

[工作记录] 关于优化算法的讨论帖2 详解GA

评分

浏览过的版块