进化优化
文章平均质量分 83
太极生两鱼
这个世界,强者为尊
展开
-
《进化优化》第7章 遗传规划
遗传算法和进化算法存在局限:在表示候选解时要与假设的解的结构结合。遗传规划试图将进化算法一般化成一个算法,这个算法不仅知道由具体结构给定的问题的最好解还能学习到最优的结构。其他进化算法是对问题的解进行演化,而遗传规划却是针对求解问题的程序进行演化。原创 2023-11-06 15:12:06 · 199 阅读 · 0 评论 -
《进化优化》第6章 进化策略
进化策略与遗传算法类似,但遗传算法最初是通过将候选解编码成位串来进化,而进化策略则总是在连续参数上操作.尽管遗传算法经常被用来处理连续参数,这两个算法还是存在哲学上的差别:进化策略的操作往往是在与问题陈述接近的表述形式上,而遗传算法的操作却往往在与问题最初陈述很不同的表示形式上.两个算法之间的另一个差别在于遗传算法强调重组,而进化策略强调变异.对于具体的优化问题,我们可以根据这些差别选择合适的算法.如果对于一个特别的问题,探索比开发更重要,我们可能得用进化策略.而如果开发更重要,就可能要用遗传算法.原创 2023-11-05 12:49:51 · 211 阅读 · 0 评论 -
《进化优化》第12章 差分进化算法
差分进化是为了优化n维连续域中的函数而设计的基于种群的算法。在种群中,每一个个体都是用来表示候选解的一个n维向量。差分进化算法的基本思路如下:取两个个体之间的差分向量,将这个差分向量的一个伸缩版加到第三个个体上从而产生一个新的候选解,如下图所示:交叉方式:交叉率c大于r则替换成变异向量v,否则,不变。参数描述:在每一对(u,x)中,适应性更强的向量留下来作为差分进化的下一代,扔掉适应性差的向量。原创 2023-10-30 14:46:21 · 170 阅读 · 2 评论 -
《进化优化》第5章 进化规划
最初发明进化规划是为了设计有限状态机.有限状态机生成的输出序列随内部状态和输入序列变化.图5.3是有限状态机的一个例子.它有4个状态,A,B,C和D;有3个可能的输出, a, b和 c,输出列在图中每个斜杠的右边.图中右上部的箭头表示有限状态机从状态C开始.用箭头表示在具体的输入之后状态如何转移.线段上的标记是输入/输出组合.图5.3也可以用表格的形式来刻画,如表5.1所示.能不能创建一个状态机生成所要的行为?目的:最小化f(x), 这里的x是一个n维向量,假定对所有的x, f(x)>0。原创 2023-10-17 17:24:38 · 173 阅读 · 0 评论 -
《进化优化》第4章 遗传算法的数学模型
具有高于平均适应度值的短的低阶图式在遗传算法种群中的代表数会呈指数增长.将上面的推导一般化,我们发现在时刻2过程处于状态j的概率为。原创 2023-10-13 22:09:27 · 689 阅读 · 0 评论 -
《进化优化》第3章 遗传算法
遗传算法模仿自然选择来解决优化问题。原创 2023-10-12 19:03:00 · 279 阅读 · 0 评论 -
《进化优化》 第2章 优化
如果想到达一个景观的最高点,一个合理策略就是朝上升最快的方向迈一步,在那一步之后,重新评估小山的斜坡,并重新朝上升最快的方向迈进一步,继续这个过程直到不再有爬得最高的方向,此时到达的这个点就是小山的顶点,这称为爬山法。有偏优化算法:首先,很多基准费用函数在其搜索域的中央附件有最小值。实际的优化问题总带约束,在实际优化问题中,使目标函数最优的独立变量的值也几乎总是出现在约束的边界上。在进化算法中,潜在的解会互相分享信息最终达到关于最好的解的“共识”.优化问题中的独立变量只能在一个离散集合上取值。原创 2023-10-11 19:08:19 · 184 阅读 · 0 评论 -
《进化优化》第1章 绪论
本书matlab代码原创 2023-10-11 16:36:05 · 57 阅读 · 0 评论