遗传算法与多目标优化选编

GA的组成 （1）编码（产生初始种群） （2）适应度函数 （3）遗传算子（选择、交叉、变异） （4）运行参数
编码
• GA是通过某种编码机制把对象抽象 为由特定符号按一定顺序排成的串。 正如研究生物遗传是从染色体着手， 而染色体则是由基因排成的串。GA 通常使用二进制串进行编码。
编码示例
• 例1 求下列一元函数的最大值： •
Z. Johnsen系统地提出了关于多目标决策问题的研究 报告， 1968年
三、多目标优化的最优性判断
1 由人来判断（非Pareto机制） • 基本原则：通过加入决策者判断，缩小
多目标问题有效解集的范围。
2 不由人来判断(Pareto optimality) • 基本原则：多目标问题优化解的自身特
1、个体被选择概率的计算
被选择概率
1
2
3
4
0 0.144
0.636 0.691
1
各个体被分配的区间
2、轮盘赌选择方法（或 比例选择算子）
各个体区间 有序随机数
1
2
0 0.144
0.2311
3
4
0.636 0.691
1
0.4860 0.6068 0.9501
产生随机数
0.9501 0.2311 0.6068 0.4860
模式阶用来反映不同模式间确定性 的差异，模式阶数越高，模式的确定性 就越高，所匹配的样本数就越少。在遗 传操作中，即使阶数相同的模式，也会 有不同的性质，而模式的定义距就反映 了这种性质的差异。
模式定理
• 模式定理：具有低阶、短定义距以及 平均适应度高于种群平均适应度的模式在 子代中呈指数增长。
• 模式定理保证了较优的模式（遗传算法 的较优解）的数目呈指数增长，为解释遗 传算法机理提供了数学基础。
i 1
i 1
• Pc = 0.8; Pm = 0.05; b = 2;
• popSize = 30; epochs = 50;
30
28
26
24
22
Fitness
20
18
16
14
12
10
0
5 10 15 20 25 30 35 40 45 50
epoch
实数编码GA运行结果
四、多目标优化简介
一、问题定义
两者只能取其一。
二、发展简史
法国经济学家V. Pareto，1896年提出
Von. Neumann和J. Morgenstern提出多目标决策问题， 1944年
T. C. Koopmans 多目标最优化问题 ，Pareto最优解概 念，1951年
H. W. Kuhn和A. W. T. Tucker 向量极值问题的Pareto最 优解的概念
占优的解组成的一组解。当P是整个搜索空间时，所得的非劣解 集P’被称为Pareto最优解集。
若目标函数中有冲突，则一般不存在唯一最优解，而存在 若干个可行解。
f2
Min [f1, f2]
X A
B Y
C
解点A, B, C是Pareto最优点 A Pareto支配X C Pareto 支配Y
f1
Pareto最优解示意图 Pareto最优解不一定对其他所有解占优，但是所有其他解 都不能对它占优。
交叉算子
•
所谓交叉运算，是指对两个相互配
对的染色体依据交叉概率 Pc 按某种方式相
互交换其部分基因，从而形成两个新的个
体。交叉运算是遗传算法区别于其他进化
算法的重要特征，它在遗传算法中起关键
作用，是产生新个体的主要方法。 GA中交
叉算子可采用单点交叉算子。
单点交叉运算示例
• 交叉前：
交叉点
• 00000|01110000000010000
适应度函数的编制影响求解效果
选择算子
• 遗传算法使用选择运算来实现对群体中的 个体进行优胜劣汰操作：适应度高的个体 被遗传到下一代群体中的概率大；适应度 低的个体，被遗传到下一代群体中的概率 小。选择操作的任务就是按某种方法从父 代群体中选取一些个体，遗传到下一代群 体。GA中选择算子可采用轮盘赌选择方法。
同时考虑最大化主产物浓度CB和最小化生产 时间tf
多目标优化方案的Pareto最优前沿
•人有了知识，就会具备各种分析能力， •明辨是非的能力。 •所以我们要勤恳读书，广泛阅读， •古人说“书中自有黄金屋。 •”通过阅读科技书籍，我们能丰富知识， •培养逻辑思维能力； •通过阅读文学作品，我们能提高文学鉴赏 •培养文学情趣； •通过阅读报刊，我们能增长见识，扩大自 •有许多书籍还能培养我们的道德情操， •给我们巨大的精神力量，
3、轮盘赌选择方法的实现步骤
• （1） 计算群体中所有个体的适应度函数值 （需要解码）；
• （2） 利用比例选择算子的公式，计算每个 个体被选中遗传到下一代群体的概率；
• （3） 采用模拟赌盘操作（即生成0到1之间 的随机数与每个个体遗传到下一代群体的 概率进行匹配）来确定各个个体是否遗传 到下一代群体中。
五、基于进化算法的求解方法
• 每轮迭代可以找到多个Pareto近似最优解
• 迄今为止还没有找到其他方法比EAs更能有 效地解决MOP问题。
• 在许多复杂应用问题中搜索最优解还存在 一定的困难。
如何使用GA求解多目标规划问题 • 适应度函数值 • 解集的均匀分布要求 • 对非劣解集的分析
min
max 进化算法的解更新过程示意
Байду номын сангаас 二、遗传算法的数学原理
模式的概念
max
x12

x
2 2
模式是指种群个体
个体编码串 适应度
个体编码串
适应度
基因串中的相似样板
011101 34 101011 34
011101? 34
111111 98
011100 25 111001 50
111***
111001 50 111010 53
平均适应度 35.75
四、Pareto最优解概念
占优
1、对于所有j=1,2,…,m，有 f j x1 不劣于 f j x2 2、至少存在一个 j 1,2,..., m ，有 f j x1 优于 f j x2
非劣解集（Non-dominated set） 在一组解P中，非劣解解集P’是指所有那些不被P中任何个体
遗传算法简介
主要内容 1、遗传算法的原理和组成； 2、遗传算子； 3、遗传算法的实现； 4、遗传算法的数学理论； 5、遗传算法的应用。
一、遗传算法（Genetic algorithm，GA）
GA的寻优机制
GA模拟自然选择和自然遗传过程中发生的 繁殖、交叉和基因突变现象，在每次迭代中都 保留一组候选解美，国并J按. H某o种lla指nd标教从授解群中选取 较优的个体，利用遗传19算75子年(选择、交叉和变异) 对这些个《体自进然行界组和合人，工产系生新统一的代适的应候性选》解群， 重复此过程，直到满足某种收敛指标为止。
平均适应度 58.75
第1代群体
第2代群体
模式的阶与定义距
– 模式 H 中确定位置的个数称为模式 H 的阶， 记作O(H)。例如O(10**1)=3 。
– 模式 H 中第一个确定位置和最后一个确定 位置之间的距离称为模式 H 的定义距，记 作δ(H)。例如δ(10**1)=4 。
模式的阶和定义距的含义
低阶以及高平均适应度的模式（积木块），
在遗传操作下相互结合，最终接近全局最优
解。
•
模式定理保证了较优模式的样本数呈指
数增长，从而使遗传算法找到全局最优解的
可能性存在；而积木块假设则指出了在遗传
算子的作用下，能生成全局最优解。
三、遗传算法的应用示例
5
5
测试函数 max f x1, x2 i cosi 1x1 i i cosi 1x2 i
模式定理的含义
• 从模式定理可看出，有高平均适应度、 短定义距、低阶的模式，在连续的后代里 获得至少以指数增长的串数目，这主要是 因为选择使最好的模式有更多的复制，交 叉算子不容易破坏高频率出现的、短定义 长的模式，而一般突变概率又相当小，因 而它对这些重要的模式几乎没有影响。
积木块假设
•
积木块假设：遗传算法通过短定义距、
min F(x) f1(x), f2 (x),...,fm (x)T
s.t.hgji
(x) (x)

0, 0,
i 1,2,...,I j 1,2,...,J
• 具有多个目标函数。 • 各个函数之间在最优化方向上存在冲突。 • 往往需要人的参与。 • 目标函数集要么是求极大，要么是求极小，
f (x) x sin(10 x) 2.0
x∈[-1,2] ，求解结果精确到6位小数。
• 由于区间长度为3，求解结果精确到6位小数
• 可将自变量定义区间划分为3×10^6等份。
• 又因为2^21 < 3×10^6 < 2^22 ，所以本例的二 进制编码长度至少需要22位。
• 本例的编码过程实质上是将区间[-1，2]内对应 的实数值转化为一个二进制串（b21b20…b0）。
0.2311<0.144 ?最终否选择了个体3个1落个选体2，01.2个311个<0.体6364? 是
是
个体2入选
0.4806<0.636 ?
个体2入选
是 0.6068<0.636 ?
个体2入选
否
个体3落选
0.9501<0.691 ?
是 0.9501<1 ?
个体4入选
0.9501<0.636 ? 否 个体2落选
性来搜索多目标问题有效解集的范围。
由人来判断
• 加权: 由决策者决定每个目标函数不同的 权重因子，将所有的目标函数整合为一个 目标函数。
• 目标规划：由决策者确定每个目标函数所 能达到的目标值，然后将这些值作为附加 的约束整合进问题中，从而优化目标转换 为最大或最小化目标值和目标函数值之间 的绝对偏差。
SGA的框图
产生初始群体
是
输出结果并结束
是否满足停止准则
否
计算个体适应度值
执行M/2次
比例选择运算 单点交叉运算
基本位变异运算
产生新一代群体
遗传算法的特点
• （1）群体搜索，易于并行化处理； • （2）不是盲目穷举，而是启发式搜索； • （3）适应度函数不受连续、可微等条件的
约束，适用范围很广。
• 000001110000000010000
• •
变 00异00后0实•1如：数1如何1编0何变0码决0异1个定0？0体哪00个10个0体00变异？
运行参数
• （1）M ： 种群规模（ 20-100 ） • （2）T ： 遗传运算的终止进化代数
（100～500） • （3）Pc ： 交叉概率 （0.4～0.9） • （4）Pm ： 变异概率 （0.001～0.01）
几个术语 个体（染色体）
• 基因型：1000101110110101000111
• 缺点是什么？
基因
解码
多维优化如何编码？ 编码
• 表现型：0.637197
初始种群
• GA可采用随机方法生成若干个个体 的集合，该集合称为初始种群。初 始种群中个体的数量称为种群规模。
如何随机生成？
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（通常为正实数）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。
基本位变异算子
•
基本位变异算子是指对个体编码
串随机指定的某一位或某几位基因作变异
运算。对于基本遗传算法中用二进制编码
符号串所表示的个体，若需要进行变异操
作的某一基因座上的原有基因值为0，则
变异操作将其变为1；反之，若原有基因
值为1，则变异操作将其变为0 。
基本位变异算子的执行过程
• 变异前：
变异点
• 11100|00000111111000101
• 交叉后：如何•决实定数哪编对码个如体何应交交叉叉？？ • 00000|00000111111000101
• 11100|01110000000010000
变异算子
• 所谓变异运算，是指依据变异概率 Pm 将个 体编码串中的某些基因值用其它基因值来替 换，从而形成一个新的个体。遗传算法中的 变异运算是产生新个体的辅助方法，它决定 了遗传算法的局部搜索能力，同时保持种群 的多样性。交叉运算和变异运算的相互配合， 共同完成对搜索空间的全局搜索和局部搜索。 GA中变异算子可采用基本位变异算子。