第七章 遗传算法的应用
7.1 数值函数优化计算
7.1.1 遗传算法与纯数值函数优化计算
首先.对很多实际问题进行数学建棋后,可将其抽象为一个数信函数的优化问题。
除了在函数是连续、可求导、低阶的简单情况下可解析地求出其最优解外,大部分情况
下需要通过数值计算的方法来进行近似优化计算。尽管人们对这个问题进行了多年的研究,
而至今仍尚无一种既能处理各种不同的复杂函数,又具有良好求解结果的数值计算方法。持
别是当问题的规模比较大时,优化计算时的搜索空间也急剧扩大,人们逐渐意识到要严格地
求出其最优解既不可能、也不现实。所以需要研究出一种能够在可接受的时间和可接受的精
度范围内求出数值函数近似最优解的方法或通用算法。遗传算法提供了一种求解这种优化问
题的通用框架。
其次,如何评价一个遗传算法的性能优劣程度一直是一个比较难的问题,这主要是因为
现实问题种类繁多,影响因素复杂,若对各种情况都加以考虑进行试算,其计算工作量势必
太大。
利用遗传算法进行数值函数优化计算时,若精度要求不是太高,自变量的个数不是太多
时,可以采用二进制编码来表示个体;若精度要求较高,自变量的个数较多时.可以来用浮
点数编码来表示个体。
7.1.2 评价遇传算法性能的常用测试函数
数学待性主要包括
1. 连续函数或离散函数;
2. 凹函数或众函数:
3. 二次函数或非二次函数;
4. 低维函数或高维函数;
5. 确定性函数或随机性函数;
6. 单峰值函数或多峰值函数.
7.1.3 De Jong 的研究结论
De Jong 提出的两个评价遗传算法性能的指标是:在线性能指标和离线性能指标。
由定义 7.1 可知,算法的在线性能指标表示了算法从开始运行一直到当前为止的时间
段内性能值的平均值.它反映了算法的动态性能。
由定义 7.2 可知,算法的离线性能表示了算法运行过程中各进化代的最佳性能值的累
积平均,它反映了算法的收敛性能。
经过仔细分析和计算,De Jong 得到了下述几条重要的结论:
结论 1:群体的规模越大,遗传算法的离线性能越好,越容易收敛。