遗传算法步骤、禁忌搜索算法步骤、退火算法步骤

雁栖湖畔

已于 2024-04-11 11:02:37 修改

阅读量275

点赞数 1

分类专栏：算法逻辑文章标签：算法

于 2024-04-01 18:24:15 首次发布

本文链接：https://blog.csdn.net/2301_79707017/article/details/137241356

版权

算法逻辑专栏收录该内容

2 篇文章 0 订阅

订阅专栏

1、遗传算法步骤

1：选择问题的一个编码，并初始化种群（N个染色体），构成种群 $pop(1)=\left \{ pop_{j}(1)|j=1,2,...,n \right \}$ ， $t=1$ ；

2：对种群 $pop(1)$ 计算其每个染色体 $pop_{i}(1)$ 的适应度， $f(i)=fitness(pop_{i}(1))$ ；

3：while 不满足停止规则 do

4：计算概率分布 $p_{i}=\frac{f_{i}}{\sum_{1\leq j\leq n}^{}f_{i}} (*)$

5：根据概率分布从 $pop(1)$ 中随机选取N个染色体形成新种群： $newpop(t+1)=\left \{ pop_{j}(t)|j=1,2,...,n \right \}$

6：通过交叉（交叉概率为 $p_{c}$ ），得到一个新的有N个染色体的种群， $crosspop(t+1)$ ；

7：通过较小概率p的基因变异，得到种群 $mutpop(t+1)$ ， $t=t+1$ ；

8：诞生新的种群 $pop(t) = mutpop(t)$ ；

9：计算 $pop(t)$ 中每个染色体 $pop_{i}(t)$ 的适应度， $f(i)=fitness(pop_{i}(t))$ ；

10：end while

2、退火算法步骤

1：任选初始可行解 $x_{0}$ ，并初始化 $x_{i} \leftarrow x_{0}$ ， $k\leftarrow 0$ ， $t_{0} \leftarrow t_{max}$ （初始化温度）

2：while $k\leq k_{max}$ && $t_{k}\geq T_{f}$ do

3：   从邻域 $N(x_{i})$ 中随机选择 $x_{j}$ ，即 $x_{j}\leftarrow _{R}N(x_{i})$ ；

4：计算 $\Delta f_{ij} = f(x_{j}) - f(x_{i})$

5:： if         $\Delta f_{ij}\leq 0 ||exp(-\Delta f_{ij}/t_{k})> RANDOM(0,1)$ then

6：    $x_{i}\leftarrow x_{j}$ ；

7： end if

8：       $t_{k+1} \leftarrow d(t_{k})$ ；

9： $k\leftarrow k+1$ ；

10：end while

3、禁忌搜索算法步骤

1：选择一个初始可行解 $x^{cb}$ ，并初始化禁忌表 $H\leftarrow \left \{ \right \}$ ；

2：While 不满足停止规则 do

3：在 $x^{cb}$ 的邻域中选出满足禁忌要求的候选集 $Can-N(x^{cb})$ ；

4：从候选集中选择一个评价值最佳的解 $x^{Lb}$ ；

5：令 $x^{cb}\leftarrow x^{Lb}$ ，并更新记录 $H$ ；

6：end While

雁栖湖畔

关注

1
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
遗传算法步骤、禁忌搜索算法步骤、退火算法步骤

2：While 不满足停止规则 do。1：选择问题的一个编码，并初始化种群（N个染色体），构成种群。7：通过较小概率p的基因变异，得到种群。4：从候选集中选择一个评价值最佳的解。3：while 不满足停止规则 do。），得到一个新的有N个染色体的种群，4：计算概率分布。8：诞生新的种群。3：从邻域。9：计算。4：计算。1：选择一个初始可行解。
复制链接

扫一扫