遺傳算法綜述

.①中的變異點(diǎn)位置,改變其對應(yīng)的基因座上的基因值,變異后"1"變?yōu)?0"或"0"變?yōu)?1"。優(yōu)化結(jié)果輸出經(jīng)過一次次的迭代進(jìn)化,當(dāng)滿足迭代終止條件時(shí),輸出的末代種群對應(yīng)的便是問題的最優(yōu)解或最近解,即篩選出的最具代表性的輸入自變量組合。優(yōu)化BP模型建立根據(jù)優(yōu)化計(jì)算得到的結(jié)果,將選出的參與建模的輸入自變量對應(yīng)的訓(xùn)練集和測試集數(shù)據(jù)提取出來,利用BP神經(jīng)網(wǎng)絡(luò)重新建立模型進(jìn)行仿真測試,從而進(jìn)行結(jié)果的分析。MATLAB程序如下,程序運(yùn)行結(jié)果如下圖3所示：%%遺傳算法的優(yōu)化計(jì)算——輸入自變量降維%%清空環(huán)境變量clearallclcwarningoff%%聲明全局變量globalP_trainT_trainP_testT_testmintmaxtSs1S=30;s1=50;%%導(dǎo)入數(shù)據(jù)loaddata。mata=randperm<569>;Train=data<a<1:500>,:>;Test=data<a<501:end>,:>;%訓(xùn)練數(shù)據(jù)P_train=Train<:,3:end>';T_train=Train<:,2>';%測試數(shù)據(jù)P_test=Test<:,3:end>';T_test=Test<:,2>';%顯示實(shí)驗(yàn)條件total_B=length<find<data<:,2>==1>>;total_M=length<find<data<:,2>==2>>;count_B=length<find<T_train==1>>;count_M=length<find<T_train==2>>;number_B=length<find<T_test==1>>;number_M=length<find<T_test==2>>;disp<'實(shí)驗(yàn)條件為：'>;disp<['病例總數(shù)：'num2str<569>。。。'良性：'num2str<total_B>。。。'惡性：'num2str<total_M>]>;disp<['訓(xùn)練集病例總數(shù)：'num2str<500>。。。'良性：'num2str<count_B>。。。'惡性：'num2str<count_M>]>;disp<['測試集病例總數(shù)：'num2str<69>。。。'良性：'num2str<number_B>。。。'惡性：'num2str<number_M>]>;%%數(shù)據(jù)歸一化[P_train,minp,maxp,T_train,mint,maxt]=premnmx<P_train,T_train>;P_test=tramnmx<P_test,minp,maxp>;%%創(chuàng)建單BP網(wǎng)絡(luò)t=cputime;net_bp=newff<minmax<P_train>,[s1,1],{'tansig','purelin'},'trainlm'>;%設(shè)置訓(xùn)練參數(shù)net_bp。trainParam。epochs=1000;net_bp。trainParam。show=10;net_bp。trainParam。goal=0。1;net_bp。trainParam。lr=0。1;net_bp。trainParam。showwindow=0;%%訓(xùn)練單BP網(wǎng)絡(luò)net_bp=train<net_bp,P_train,T_train>;%%仿真測試單BP網(wǎng)絡(luò)tn_bp_sim=sim<net_bp,P_test>;%反歸一化T_bp_sim=postmnmx<tn_bp_sim,mint,maxt>;e=cputime-t;T_bp_sim<T_bp_sim>1。5>=2;T_bp_sim<T_bp_sim<1。5>=1;result_bp=[T_bp_sim'T_test'];%%結(jié)果顯示〔單BP網(wǎng)絡(luò)number_B_sim=length<find<T_bp_sim==1&T_test==1>>;number_M_sim=length<find<T_bp_sim==2&T_test==2>>;disp<'<1>BP網(wǎng)絡(luò)的測試結(jié)果為：'>;disp<['良性乳腺腫瘤確診：'num2str<number_B_sim>。。。'誤診：'num2str<number_B-number_B_sim>。。。'確診率p1='num2str<number_B_sim/number_B*100>'%']>;disp<['惡性乳腺腫瘤確診：'num2str<number_M_sim>。。。'誤診：'num2str<number_M-number_M_sim>。。。'確診率p2='num2str<number_M_sim/number_M*100>'%']>;disp<['建模時(shí)間為：'num2str<e>'s']>;%%遺傳算法優(yōu)化popu=20;bounds=ones<S,1>*[0,1];%產(chǎn)生初始種群%initPop=crtbp<popu,S>;initPop=randint<popu,S,[01]>;%計(jì)算初始種群適應(yīng)度initFit=zeros<popu,1>;fori=1:size<initPop,1>initFit<i>=de_code<initPop<i,:>>;endinitPop=[initPopinitFit];gen=100;%優(yōu)化計(jì)算[X,EndPop,BPop,Trace]=ga<bounds,'fitness',[],initPop,[1e-610],'maxGenTerm',。。。gen,'normGeomSelect',0。09,'simpleXover',2,'boundaryMutation',[2gen3]>;[m,n]=find<X==1>;disp<['優(yōu)化篩選后的輸入自變量編號(hào)為:'num2str<n>]>;%繪制適應(yīng)度函數(shù)進(jìn)化曲線figureplot<Trace<:,1>,Trace<:,3>,'r:'>holdonplot<Trace<:,1>,Trace<:,2>,'b'>xlabel<'進(jìn)化代數(shù)'>ylabel<'適應(yīng)度函數(shù)'>title<'適應(yīng)度函數(shù)進(jìn)化曲線'>legend<'平均適應(yīng)度函數(shù)','最佳適應(yīng)度函數(shù)'>xlim<[1gen]>%%新訓(xùn)練集/測試集數(shù)據(jù)提取p_train=zeros<size<n,2>,size<T_train,2>>;p_test=zeros<size<n,2>,size<T_test,2>>;fori=1:length<n>p_train<i,:>=P_train<n<i>,:>;p_test<i,:>=P_test<n<i>,:>;endt_train=T_train;%%創(chuàng)建優(yōu)化BP網(wǎng)絡(luò)t=cputime;net_ga=newff<minmax<p_train>,[s1,1],{'tansig','purelin'},'trainlm'>;%訓(xùn)練參數(shù)設(shè)置net_ga。trainParam。epochs=1000;net_ga。trainParam。show=10;net_ga。trainParam。goal=0。1;net_ga。trainParam。lr=0。1;net_ga。trainParam。showwindow=0;%%訓(xùn)練優(yōu)化BP網(wǎng)絡(luò)net_ga=train<net_ga,p_train,t_train>;%%仿真測試優(yōu)化BP網(wǎng)絡(luò)tn_ga_sim=sim<net_ga,p_test>;%反歸一化T_ga_sim=postmnmx<tn_ga_sim,mint,maxt>;e=cputime-t;T_ga_sim<T_ga_sim>1。5>=2;T_ga_sim<T_ga_sim<1。5>=1;result_ga=[T_ga_sim'T_test'];%%結(jié)果顯示〔優(yōu)化BP網(wǎng)絡(luò)number_b_sim=length<find<T_ga_sim==1&T_test==1>>;number_m_sim=length<find<T_ga_sim==2&T_test==2>>;disp<'<2>優(yōu)化BP網(wǎng)絡(luò)的測試結(jié)果為：'>;disp<['良性乳腺腫瘤確診：'num2str<number_b_sim>。。。'誤診：'num2str<number_B-number_b_sim>。。。'確診率p1='num2str<number_b_sim/number_B*100>'%']>;disp<['惡性乳腺腫瘤確診：'num2str<number_m_sim>。。。'誤診：'num2str<number_M-number_m_sim>。。。'確診率p2='num2str<number_m_sim/number_M*100>'%']>;disp<['建模時(shí)間為：'num2str<e>'s']>;圖3程序結(jié)果圖由此可得到結(jié)論：遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的識(shí)別率比單純的BP神經(jīng)網(wǎng)絡(luò)高,而且識(shí)別速度較快。遺傳算法的改進(jìn)與未來6.1遺傳算法的改進(jìn)雖然遺傳算法已經(jīng)取得了廣泛的應(yīng)用,但存在著收斂速度慢及算法穩(wěn)定性差等缺陷。用遺傳算法進(jìn)行路徑規(guī)劃時(shí),隨機(jī)產(chǎn)生初始種群,為了避免陷入局部極值點(diǎn),種群數(shù)量要達(dá)到一定的規(guī)模。但種群規(guī)模大會(huì)導(dǎo)致搜索空間較大,刪除冗余個(gè)體的能力較差,大大影響路徑規(guī)劃的速度。特別在環(huán)境較為復(fù)雜的情形下,這種缺點(diǎn)就更加明顯。針對標(biāo)準(zhǔn)遺傳算法的不足,在吸收前人研究成果的基礎(chǔ)上,對于遺傳算法的求解過程,我們提出了如下改進(jìn)措施與步驟:<1>人工方法產(chǎn)生初始群體先將優(yōu)化問題的初始解轉(zhuǎn)化為個(gè)體,然后在問題的解空間中用人工方法產(chǎn)生初始種群的其它個(gè)體,使初始群體的個(gè)體模式階次較高、模式數(shù)目較大,具有多樣性。這樣通過適當(dāng)選擇字符串長度和群體規(guī)模,可以在開始的幾代內(nèi)找到各極值點(diǎn)所在的區(qū)域,加快搜索速度。<2>上代群體的處理對于上代群體,計(jì)算其個(gè)體的適應(yīng)度,判別其是否滿足終止條件。如果滿足終止條件,停止遺傳操作,輸出最優(yōu)解。否則,將上代群體全部放入中間群體,并對上代群體獨(dú)立進(jìn)行優(yōu)選父代交換和大突變操作。<3>優(yōu)選父代交換優(yōu)選父代交換的主要思想是指在進(jìn)行交換操作時(shí),提高父代的質(zhì)量,即選擇較優(yōu)的父代個(gè)體參與交換。具體過程是:從上代群體中隨機(jī)選取兩個(gè)個(gè)體,然后比較其適應(yīng)度,保留適應(yīng)度大的個(gè)體,再從上代群體中隨機(jī)選取兩個(gè)個(gè)體,同樣保留適應(yīng)度大的個(gè)體,以保留下來的兩個(gè)個(gè)體作為父代個(gè)體。產(chǎn)生[0,1]之間均勻分布的隨機(jī)數(shù)s,如果s<Pc,則兩者進(jìn)行交換,將交換后的兩個(gè)新個(gè)體加入到中間群體,否則直接將保留下來的兩個(gè)個(gè)體加入到中間群體。<4>大突變操作理論上,遺傳算法的突變操作可以產(chǎn)生新個(gè)使算法跳出"早熟"。但為了保持算法的穩(wěn)定性,突變操作的突變率通常取得很小,單靠傳統(tǒng)的突變操作需要很多代才能變異出一個(gè)不同于其它個(gè)體的新個(gè)體。大突變操作的思想是:對上代群體,以一個(gè)遠(yuǎn)大于通常的突變概率的概率進(jìn)行一次突變操作,并將突變后產(chǎn)生的新個(gè)體加入到中間群體。大突變操作能夠隨機(jī)、獨(dú)立地產(chǎn)生許多新個(gè)體,從而能始終保持群體的多樣性,使群體脫離"早熟"。<5>基于Metropolis判別準(zhǔn)則的復(fù)制策略對于中間群體,運(yùn)用基于Metropolis判別準(zhǔn)則的復(fù)制策略,產(chǎn)生下一代群體。基于Metropolis判別準(zhǔn)則的復(fù)制策略分為兩步:a.實(shí)施最優(yōu)保留策略將中間群體中性能最好的個(gè)體無條件地復(fù)制到下一代群體中,這樣就會(huì)保留中間群體中的最好解,使遺傳算法可以以概率1收斂到全局最優(yōu)解,保證了算法的收斂。b.實(shí)施Metropolis判別準(zhǔn)則的復(fù)制策略在中間群體中隨機(jī)選取個(gè)體i和j,i和j競爭進(jìn)入下一代群體的準(zhǔn)則采用Metropolis判別準(zhǔn)則:產(chǎn)生[0,1]之間均勻分布的隨機(jī)數(shù)s,如果s<=min<1,exp<-<f<i>-f<j>>/T>><式中,f<i>,f<j>分別為個(gè)體i和j的適應(yīng)度,T為控制參數(shù)>,則個(gè)體i復(fù)制到下一代群體,否則個(gè)體j復(fù)制到下一代群體。改進(jìn)后遺傳算法的基本流程如圖4所示。圖4改進(jìn)的遺傳算法6.2遺傳算法的未來遺傳算法的未來發(fā)展還有很大的空間,我們可以探索研究以下幾個(gè)方面：<1>基于遺傳算法的機(jī)器學(xué)習(xí)：這一新的研究方向把遺傳算法從歷史離散的搜索空間的優(yōu)化搜索算法擴(kuò)展到具有獨(dú)特的規(guī)則生產(chǎn)功能嶄新的機(jī)器學(xué)習(xí)算法。<2>遺傳算法與其他計(jì)算智能方法的相互滲透和結(jié)合：遺傳算法正日益和神經(jīng)網(wǎng)絡(luò)、模糊推理以及混沌理論等其他職能計(jì)算方法相互滲透和結(jié)合,以到達(dá)取長補(bǔ)短的作用。<3>并行處理遺傳算法：并行處理的遺傳算法的研究不僅是遺傳算法本身的發(fā)展,而且對于新一代智能計(jì)算機(jī)體系結(jié)構(gòu)的研究都是十分重要的,遺傳算法在操作上具有高度的并行性。<4>遺傳算法與人工生命的滲透：基于遺傳算法的進(jìn)化模型是研究人工生命現(xiàn)象的基礎(chǔ)。參考文獻(xiàn)[1]席裕庚,柴天佑,惲為民.遺傳算法綜述[J].控制理論與應(yīng)用.1996<13>06:697-708[2]常洪江.遺傳算法綜述[J].電腦學(xué)習(xí).2010<06>