全局优化算法概述
前面讨论过一些迭代算法,包括牛顿法、梯度方法、共轭梯度方法和拟牛顿法,能够从初始点出发,产生一个迭代序列。很多时候,迭代序列只能收敛到局部极小点。因此,为了保证算法收敛到全局最小点,有时需要在全局极小点附近选择初始点。此外,这些方法需要计算目标函数。
全局优化算法又称现代启发式算法,是一种具有全局优化性能、通用性强且适合于并行处理的算法。
这种算法一般具有严密的理论依据,而不是单纯凭借专家经验,理论上可以在一定的时间内找到最优解或近似最优解。
遗传算法属于智能优化算法之一。
常用的全局优化算法有:
遗传算法 、模拟退火算法、禁忌搜索算法、粒子群算法、蚁群算法。
1、染色体编码
实际上遗传算法并不是直接针对约束集中的点进行操作,而是针对这些点的编码后再进行相关变异交叉等操作。具体说来,如约束集 ω 中的点24映射为一个字符串集合– 11000,这些字符串全部都是等长的,称为染色体。基本遗传算法(SGA)使用二进制串进行编码。
2、适应度函数
遗传算法对一个个体(解)的好坏用适应度函数值来评价,适应度函数值越大,解的质量越好。
适应度函数是遗传算法进化过程的驱动力,也是进行自然选择的唯一标准,它的设计应结合求解问题本身的要求而定。
3、选择和进化步骤
在选择步骤中,利用选择操作构造一个新的种群 M(k) ,使其个体数量与种群相等,种群中个体数量称为个体容量,用N表示,M是在P的基础上进行随机处理后得到的,即M中的每个个体以概率
f(x