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 |
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
|
【本文地址】