锐客网

  1. 首页 > 睿知 > it技术 > >

遗传算法+vb.net 遗传算法和蚁群算法哪个简单

IT技术数据

遗传算法具体应用1、函数优化
函数优化是遗传算法的经典应用领域 ， 也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等 。
2、组合优化
随着问题规模的增大，组合优化问题的搜索空间也急剧增大 ， 有时在目前的计算上用枚举法很难求出最优解 。对这类复杂的问题 ， 人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一 。
此外，GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用 。
3、车间调度
车间调度问题是一个典型的NP-Hard问题 ， 遗传算法作为一种经典的智能算法广泛用于车间调度中，很多学者都致力于用遗传算法解决车间调度问题，现今也取得了十分丰硕的成果 。
从最初的传统车间调度（JSP）问题到柔性作业车间调度问题（FJSP），遗传算法都有优异的表现，在很多算例中都得到了最优或近优解 。
扩展资料：
遗传算法的缺点
1、编码不规范及编码存在表示的不准确性 。
2、单一的遗传算法编码不能全面地将优化问题的约束表示出来 。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加 。
3、遗传算法通常的效率比其他传统的优化方法低 。
4、遗传算法容易过早收敛 。
5、遗传算法对算法的精度、可行度、计算复杂性等方面 ， 还没有有效的定量分析方法 。
参考资料来源：百度百科-遗传算法
遗传算法怎么调用神经网络训练好的模型遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理 。
目标：
对y=x1^2 x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络 。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值 。本方法使用遗传算法优化初始神经元之间的权值和阈值 ， 并对比使用遗传算法前后的效果 。
步骤：
未经遗传算法优化的BP神经网络建模
1、随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2 x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test 。并将数据存储在data中待遗传算法中使用相同的数据 。
2、数据预处理：归一化处理 。
3、构建BP神经网络的隐层数，次数，步长 ， 目标 。
4、使用训练数据input_train训练BP神经网络net 。
5、用测试数据input_test测试神经网络，并将预测的数据反归一化处理 。
6、分析预测数据与期望数据之间的误差 。
遗传算法优化的BP神经网络建模
1、读取前面步骤中保存的数据data；
2、对数据进行归一化处理；
3、设置隐层数目；
4、初始化进化次数 ， 种群规模，交叉概率，变异概率
5、对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；
6、循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；
7、将得到最佳初始权值和阈值来构建BP神经网络；
8、使用训练数据input_train训练BP神经网络net;
9、用测试数据input_test测试神经网络，并将预测的数据反归一化处理；
10、分析预测数据与期望数据之间的误差 。
请问什么是遗传算法 ， 并给两个例子遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法 ， 它借
用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性
的提高 。这一点体现了自然界中"物竞天择、适者生存"进化过程 。1962年Holland教授首次
提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方
面，并奠定了坚实的理论基础 。用遗传算法解决问题时，首先要对待解决问题的模型结构
和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了 。也有在连续
空间定义的GA(Genetic Algorithm in Continuous Space, GACS) ， 暂不讨论 。
一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行：
(1) 对待解决问题进行编码；
(2) 随机初始化群体X(0):=(x1, x2, … xn)；
(3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性能好
坏；
(4) 应用选择算子产生中间代Xr(t)；
(5) 对Xr(t)应用其它的算子，产生新一代群体X(t 1)，这些算子的目的在于扩展有限
个体的覆盖面，体现全局搜索的思想；
(6) t:=t 1；如果不满足终止条件继续(3) 。
GA中最常用的算子有如下几种：
(1) 选择算子(selection/reproduction): 选择算子从群体中按某一概率成对选择个
体，某个体xi被选择的概率Pi与其适应度值成正比 。最通常的实现方法是轮盘赌(roulett
e wheel)模型 。
(2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进行交叉
，生成两个新的个体，交叉位置是随机的 。其中Pc是一个系统参数 。
(3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异，对
二值基因链(0,1编码)来说即是取反 。
上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改进GA的
某些性能 。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对算法的收敛速度
及结果有很大的影响，应视具体问题选取不同的值 。
GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力 。OOP中的类的继
承为我们提供了这一可能 。
定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体类TP
opulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作 。对任一个应用实
例，可以在TSGA类上派生，并定义新的操作 。
TPopulation类包含两个重要过程：
FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值 ， 具体操
作在用户类中实现 。
Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度average、最好
个体fmax、最坏个体fmin等 。
TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数，它有4个
重要的成员函数：
Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2） 。轮盘经任意旋转停止
后指针所指向区域被选中，所以fi值大的被选中的概率就大 。
Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串 。
Mutation: 变异算子 ， 以概率Pm对基因链上每一个基因进行随机干扰(取反) 。
Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每运行一
次，产生新的一代 。
SGA的结构及类定义如下(用C编写)：
[code]typedef char ALLELE;// 基因类型
typedef struct{
ALLELE *chrom;
float fitness;// fitness of Chromosome
}INDIVIDUAL;// 个体定义
class TPopulation{// 群体类定义
public:
int size;// Size of population: n
int lchrom;// Length of chromosome: l
float sumfitness, average;
INDIVIDUAL *fmin, *fmax;
INDIVIDUAL *pop;
TPopulation(int popsize, int strlength);
~TPopulation();
inline INDIVIDUAL Individual(int i){ return pop[i];};
void FillFitness();// 评价函数
virtual void Statistics();// 统计函数
};
class TSGA : public TPopulation{// TSGA类派生于群体类
public:
float pcross;// Probability of Crossover
float pmutation;// Probability of Mutation
int gen;// Counter of generation
TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
TPopulation(size, strlength)
{gen=0; pcross=pc; pmutation=pm; } ;
virtual INDIVIDUAL Select();
virtual void Crossover(INDIVIDUAL parent1, INDIVIDUAL parent2,
INDIVIDUAL child1, INDIVIDUAL child2);
child1, INDIVIDUAL child2);
virtual ALLELE Mutation(ALLELE alleleval);
virtual void Generate();// 产生新的一代
};
用户GA类定义如下：
class TSGAfit : public TSGA{
public:
TSGAfit(int size,float pm=0.0333,float pc=0.6)
:TSGA(size,24,pm,pc){};
void print();
}; [/code]
由于GA是一个概率过程 ， 所以每次迭代的情况是不一样的；系统参数不同 ， 迭代情况
也不同 。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc=
0.6 。变异概率太大 ， 会导致不稳定 。
参考文献
● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine
Learning. Addison-Wesley, Reading, MA, 1989
● 陈根社、陈新海，"遗传算法的研究与进展"，《信息与控制》 ， Vol.23,
NO.4, 1994, PP215-222
● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the NeuralNetworks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with anInfinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with anInfinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on NeuralNetworks, Vol.5, NO.1, 1994, PP96-101
● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markovchain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlinand Heidelberg: Springer, 1991
, PP4-12
● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5,NO.1, 1994, PP130-147
● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for HighlyUncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
● 方建安、邵世煌，"采用遗传算法自学习模型控制规则" ， 《自动化理论、技术与应
用》，中国自动化学会第九届青年学术年会论文集，1993, PP233-238
● 方建安、邵世煌，"采用遗传算法学习的神经网络控制器"，《控制与决策》，199
3,8(3), PP208-212
● 苏素珍、土屋喜一，"使用遗传算法的迷宫学习" ， 《机器人》 ， Vol.16,NO.5,199
4, PP286-289
● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. onS.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models withApplication to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con
troller Design andTuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993
遗传算法出来的结果不稳定有两种可能：1.有多种组合等于X，因此组合有多种
2.你的遗传算法容易局部收敛
对于2解决办法：增加判断 ， 当种群最优染色体一直不变持续N代 ， 重新初始化一个种群，或者往种群中注入新的随机染色体来跳出局部收敛区域 。
对补充的回答：
遗传算法本身就是一种智能寻优的随机算法，搜索过程中存在随机性，在具有多个最优解的情况下 ， 很难每次都寻优到同一组参数组合，因为每次的搜索路径是不同的 。
如果楼主真是寻求最后结果一样的效果的话，可以先得到一组最优组合数字集合S，按从小到大排列处理后变为S'(n1,n2...ni)
然后搜索过程中的某组数字集合Q的目标函数
既满足：
相加的和最接近X，
还要满足：
1.数字个数=i
2.临时将Q从小达到排列，各个位置上的元素和S'的元素最接近
这样可能会增加很多计算时间，但理论上是可以每次都得到S
【遗传算法 vb.net 遗传算法和蚁群算法哪个简单】关于遗传算法 vb.net和遗传算法和蚁群算法哪个简单的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站 。

    推荐阅读


    上一篇：如何使用HP微型服务器？ hp微型服务器怎么使用

    下一篇：pythoninvert函数，python invert