各种优化算法之间关系

智能优化算法 智能优化算法 ?录 遗传算法（Genetic Algorithm） 遗传算法是模拟?物在?然环境中的遗传和进化的过程?形成的?适应全局最优化搜索算法。 理论 达尔?的?然选择学说表明，遗传和变异是决定?物进化的内在因素。遗传是指?代和?代之间，在性状上存在相似现象；变异是指?代和 ?代之间，以及?代的个体之间，在性状上存在差异的现象。在?物体内，遗传和变异的关系?分密切。?个?物的遗传往往会发?变异， ?变异的性状有的可以遗传。 遗传物质的主要载体是染?体，基因是有遗传效应的?段，他储存着遗传信息，可以准确的复制，也可以发?突变。?物通过对基因的 复制和交叉，是其性状的遗传得到选择和控制。同时，通过基因重组、基因变异和染?体在结构和数?上的便宜发?丰富多彩的变异现象。 总结?物遗传和进化的规律有： 1，?物的所有遗传信息都包含在其染?体中，染?体决定了?物的性状，染?体是由基因及其有规律的排列所构成。 2，?物的繁殖过程是由其基因的复制过程完成的。同源染?体的交叉或变异会产?新的物种，使?物呈现新的性状。 3，对环境适应能?强的基因或染?体，?适应能?差的基因或染?体有更多的机会遗传到下?代。 遗传学与遗传算法术语对应关系 遗传学术语 遗传学术语 遗传算法术语 遗传算法术语 群体 可?解集 个体 可?解 染?体 可?解编码 基因 可?解编码的分量 基因形式 遗传编码 适应度 评价函数值 选择 选择操作 交叉 交叉操作 变异 变异操作 特点 算法是模拟?物在?然环境中的遗传和进化的过程形成的?种并?、?效、全局搜索的?法，他有?下特点： 1，遗传算法以决策变量的编码作为运算的对象； 2，直接以?标函数值作为搜索信息； 3，同时使?多个搜索点的搜索信息； 4，是?种基于概率的搜索技术； 5，具有?组织、?适应和?学习等特性。 领域 20世纪90年代以后，它作为?种?效、实?、鲁棒性强的优化技术，发展极为迅速，在机器学习、模式识别、神经?络、控制系统优化及 社会科学等领域?泛应?。 算法流程 1. 初始化。设置进化代数计数器g=0，设置最?进化代数G，随机?成NP个个体作为初始群体P(0)； 2. 个体评价。计算群体P(t)中各个个体的适应度。 3. 选择运算。将选择算?作?于群体，根据个体的适应度，按照?定的规则或?法，选择?些优良的个体遗传到下?代群体。 4. 交叉运算。将交叉算?作?于群体，对选中的成对个体，以某?概率交换他们之间的部分染?体，产?新的个体。 5. 变异运算。将变异算?作?于群体，对选中的个体，以某?概率改变某?个或某?些基因值为其他的等位基因。群体P(t)经过选择、 交叉和变异运算之后得到下?代群体P(t+1)。计算适应度值，并根据适应度值进?排序，准备进?下?次遗传操作。 6. 终?条件判断：若g<=G,则g=g+1，转到第2步；若 g>G ，则输出最?适应度的个体作为最优解，终?计算。 差分进化算法（Differential Evolution Algorithm） 理论 同其他进化算法?样，差分算法也是对候选解的种群进?操作，但其种群繁殖?案不同：它通过把种群中两个成员之间加权向量加到第三个 成员上来产?新的参数向量，称"变异"；然后将变异向量的参数与另外预先确定的?标向量参数按?定的规则混合来产?新的试验向量， 称"交叉"；最后，若试验向量的代价函数标向量的代价函数低，试验向量就在下?代中代替?标向量，称"选择"。种群中所有的成 员必须当作?标向量进次这样的操作，以便在下?代中出现相同个数竞争者。在进化过程中对每?代的最佳参数向量进?评价，记录最 ?化过程。 这样利?随机偏差扰动产?新个体的?式，可以获得?个收敛性?常好的结果，引导搜索过程向全局最优解逼近。 特点 1. 结构简单，容易使?； 2. 性能优越。具有较好的可靠性、?效性和鲁棒性。 3. ?适应性。 4. 具有内在的并?性，可协同搜索，具有利?个体局部信息和群体全局信息知道算法进?步搜索的能?。在同样的精度下，查分进化算 法具有更快的收敛速度。 5. 算法通?，可直接对结构对象进?操作，不依赖于问题信息，不存在对?标函数的限定。 领域 在神经元?络、电?、机械设计、机器?、信号处理、?物信息、经济学、现代农业和运筹学等。然?，尽管该算法获得了?泛研究， 但相对于其他进化算法，研究成果相当分散，缺乏系统性，尤其在理论还没有重?的突破。 算法流程 操作流程如下： 1，初始化 2，变异 3，交叉 4，选择 5，边界条件处理 上述的是最基本的差分进化算法操作程序，实际应?中还发展了?个变形形式，?符号：DE/x/y/z加以区分，其中x限定当前被变异的向量 是"随机的"还是"最佳的"；y是所利?的差向量的个数；z