7.13 智能优化-遗传算法在线视频

各位同学大家好

在前面 我们给大家讲到了

无约束优化问题的求解方法

以及约束优化问题的求解方法

那么接下来我们给大家

来介绍一下

有关智能优化算法

那么在近些年

出现了众多的优化算法

随着计算机技术的不断发展

优化算法也在发生着

很大的变化

那么在目前的各种智能优化算法当中

像遗传算法

蚁群算法

神经网络的方法被广泛的使用

那么今天呢

我们给大家简要的来介绍一下

智能优化算法当中的遗传算法

那么关于蚁群算法的这样一部分内容

大家可以参考我们的教材

那么在教材当中

对遗传算法有详细的介绍

那么遗传算法呢是由美国

密歇根大学的教授在1975年所提出的

他将自然界优胜劣汰

适者生存的生物进化理论

引入到了优化参数形成的

编码串联群体当中

那么 按照我们适应度函数

并通过遗传当中的选择交叉

和变异的这样些算子

对个体呢进行选择

适应好的被保留

那差的呢 被淘汰

那和自然界当中的优胜劣汰是一样的

那么从而呢

使得我们新的这样一个群体

继承了上一代

信息并且呢 要优于我们的上一代

那么这就是我们在这里提到的

遗传算法

那么对遗传算法的具体的求解过程

我们在这里只是给大家做一个

简要的介绍

那么原因呢是因为

我们现在的遗传算法已经发展的

相对比较成熟

在很多的软件当中

都提供了对应的编码工具

或者说具体的函数来进行计算

所以呢 我们大家在应用的过程当中

直接来进行相关软件的操作就可以了

那么我们在这里给大家推荐一下

对于我们各种各样的优化算法的求解

来说大家可以利用一下MATLAB软件当中的

优化工具箱

在优化工具箱当中给我们提供了

众多可以利用的函数

我们可以用来进行

优化设计的一些求解

对遗传算法来说呢

它主要涉及到了这样的一些计算

分别是

种群的初始化

适应度的函数

选择交叉和变异的这样一些操作

那么在这里呢

我们给大家简单的做一个介绍

首先我们来看一下种群的初始化

对于种群的初始化来说呢

我们一般是通过编码的方式

来实现

那么这个编码呢 一般采用的是

实数编码的这样一种方式

对于每一个个体来说

我们是一个实数串

我们由输入层

和隐含层来连接它的权值

隐含层的阈值

隐含层与输出层连接的权值

以及输出层的阈值四部分来组成

那它的个体呢 则包含了

神经网络全部的权值和阈值

在网络结构已知的情况下呢

我们就可以构成一个结构

权值阈值所确定的这样一个神经网络

所以这是它的第一个操作

就是种群的初始形成

那另外一个 我们来看一下

在它的操作当中

还有一个适应度函数

那么 通过将个体所得到的这样一个

BP神经网络的初始权值和阈值

我们用训练数据来训练BP神经网络

对系统的输出进行预测

把所预测的这个值

和我们期望的这样一个输出

它们之间用误差的绝对值

来作为个体的适应度

具体的计算公式 大家可以看到

是F等于k 乘上一个括号这样一个表达式

那么对后边的选择

这样一个操作来说 也就是在

生物在遗传和进化的

这样一个过程当中

对环境适应能力比较强的这些物种

将会遗传给下一代 反之

则机会是比较少的

所以在遗传算法当中

我们是用选择因子对个体

进行优胜劣汰的这样一个

确定

另外呢 我们在

遗传算法的这样一个操作当中

我们还会涉及到了交叉的操作 以及

变异的这样一个操作

那么这样一些操作过程实际上都是

来模拟我们自然界当中

生物进化的这样一个过程

对遗传算法的这样一个求解来说

具体它的理论

那么在我们

机械优化设计的求解过程当中

我们

没有必要

对它进行深入的这样一个探究

我们只是知道

如何利用现有的这样一些编程工具

来进行计算就可以了

那么 所以对遗传算法的求解来说呢

大家可以借用一下

我们这里的MATLAB优化工具箱

在优化工具箱当中

我们可以看到给我们提供了

丰富的这样一些函数

所以我们可以利用这样一些函数

进行相关优化问题的这样一些求解

如果大家还想了解有关遗传算法的

更多的理论和知识

大家可以去看一下我们的教材

以及网上的一些相关的这样一个资料

关于遗传算法这一部分的内容

我们就讲到这