遺傳算法與其他算法結(jié)合

1、遺傳算法與其他算法的結(jié)合遺傳算法與其他算法的結(jié)合一、幾種常見的算法一、幾種常見的算法（1）遺傳算法 遺傳算法是模擬自然界生物進化過程搜索最優(yōu)解的方法，基于全局尋優(yōu)和隱含并行性的特點，已被廣泛地應(yīng)用于多個領(lǐng)域（2）模擬退火算法）模擬退火算法 模擬退火算法是模擬熱力學(xué)中物理淬火過程的一種學(xué)習(xí)規(guī)則，該算法既能向目標函數(shù)優(yōu)化的方向的迭代，又能以一定的概率接受目標函數(shù)路惡化的情況，從而避免了陷入局部最優(yōu)點，保證獲得全局最優(yōu)解的可靠性，但收斂速度較慢。（3）共軛梯度法）共軛梯度法 共軛梯度法是步長滿足一定的下降條件下，以函數(shù)的導(dǎo)數(shù)及滿足共軛性的參數(shù)共同確定的搜索方向，進行迭代搜索的求解優(yōu)化問題的一種常用方

2、法，收斂速度快，但所求的是局部最優(yōu)解。（4）BP算法算法 BP算法是把神經(jīng)網(wǎng)絡(luò)輸出層節(jié)點的誤差逐層向輸入層反向傳播，修正權(quán)值，以獲得網(wǎng)絡(luò)最佳結(jié)構(gòu)的一種誤差修正方法。但易于陷入局部最優(yōu)點，收斂速度慢，易引起振蕩效應(yīng)等，當(dāng)網(wǎng)絡(luò)規(guī)模變大時，學(xué)習(xí)時間加劇，不利于網(wǎng)絡(luò)的在線適應(yīng)性。二、遺傳算法與不同算法的結(jié)合二、遺傳算法與不同算法的結(jié)合（1）基于遺傳算法與）基于遺傳算法與BP算法的混合算法算法的混合算法 求解連續(xù)可微函數(shù)的最小值，我們結(jié)合遺傳算法全局尋優(yōu)與BP算法快速收斂的優(yōu)點，可將這兩種算法耦合 （1）基于遺傳算法與）基于遺傳算法與BP算法的混合算算法的混合算法法 具體過程如下：隨機產(chǎn)生初始群體；利用

3、遺傳算法對初始群體進行優(yōu)化得到新的種群；對此新的種群用BP法進行訓(xùn)練。對訓(xùn)練后的種群在行選擇、交叉、變異等遺傳操作；依次迭代得到最優(yōu)解?；旌纤惴ň哂休^快的收斂速度，而且能以較大的概率收斂到最優(yōu)解。 &遺傳算法與神經(jīng)網(wǎng)絡(luò)的結(jié)合（2）基于遺傳算法與共軛梯度法的混合算法）基于遺傳算法與共軛梯度法的混合算法 近年來，神經(jīng)網(wǎng)絡(luò)優(yōu)化問題成為智能計算研究領(lǐng)域中一個十分重要的課題，特別是神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、權(quán)值，學(xué)習(xí)算法的優(yōu)化，更是近年來研究的熱點。目前關(guān)于神經(jīng)網(wǎng)絡(luò)優(yōu)化的研究主要集中在固定網(wǎng)絡(luò)結(jié)構(gòu)，優(yōu)化網(wǎng)絡(luò)權(quán)值等，這種單方面的權(quán)值優(yōu)化的網(wǎng)絡(luò)仍可能會存在冗余的節(jié)點，而單方面的結(jié)構(gòu)優(yōu)化亦會使優(yōu)化后的網(wǎng)絡(luò)可能得不

4、到最佳的權(quán)值分布，為提高M絡(luò)的泛化能力，使網(wǎng)絡(luò)具有很好的適應(yīng)性，結(jié)構(gòu)與值的優(yōu)化應(yīng)該同步進行。（3）基于遺傳算法與共軛梯度法的混合算法）基于遺傳算法與共軛梯度法的混合算法 為使結(jié)構(gòu)與權(quán)值的優(yōu)化同步進行，將結(jié)構(gòu)與權(quán)值混合編碼到串中，同時有效地結(jié)合遺傳算法與共軛梯度法各自的優(yōu)點提出一種收斂速度快、能收斂到全局最優(yōu)解的基于混合編碼的混合遺傳算法。 在具體操作中我們采用混合編碼方案，其思路是把節(jié)點也編碼到串中，以節(jié)點本身的優(yōu)化來搜索合適的結(jié)構(gòu)，求得網(wǎng)絡(luò)的最優(yōu)權(quán)值。在結(jié)構(gòu)編碼部分，采用0l編碼，每個輸入節(jié)點和隱層節(jié)點分別對應(yīng)其中的一位。在權(quán)值編碼部分，采用實數(shù)編碼，每個節(jié)點對應(yīng)于一個多維實數(shù)；在遺傳操作中

5、主要采用兩點算術(shù)交叉及非均勻算術(shù)變異。（2）基于遺傳算法與共軛梯度法的混合算法）基于遺傳算法與共軛梯度法的混合算法 優(yōu)點 這種混合算法能以較快的速度對網(wǎng)絡(luò)結(jié)構(gòu)進行精簡，且結(jié)構(gòu)優(yōu)化前后精度基本不變，仍保持網(wǎng)絡(luò)較好的泛化能力和容錯性，在優(yōu)化出性能優(yōu)越的神經(jīng)剛絡(luò)結(jié)構(gòu)的同時，又得出了較好的神經(jīng)網(wǎng)絡(luò)權(quán)值分布。（3）基于遺傳算法與模擬退火算法的混合算法）基于遺傳算法與模擬退火算法的混合算法 離散時間系統(tǒng)的最優(yōu)控制是最優(yōu)控制理論的一類典型問題，其研究的中心問題是：如何根據(jù)受控系統(tǒng)的動態(tài)特性，在滿足一定約束條件下，尋求最優(yōu)控制規(guī)律(控制策略)，才能使得系統(tǒng)按照一定的技術(shù)要求進行運轉(zhuǎn)，使其在規(guī)定的性能指標(目標

6、函數(shù))下具有最優(yōu)值，即尋找一個容許的控制規(guī)律使動態(tài)系統(tǒng)(受控對象)從初始狀態(tài)轉(zhuǎn)移到某種要求的終端狀態(tài)，保證所規(guī)定的性能指標達到最小(大)值。（3）基于遺傳算法與模擬退火算法的混合算法）基于遺傳算法與模擬退火算法的混合算法 離散系統(tǒng)的最優(yōu)控制問題的求解可歸結(jié)為數(shù)學(xué)規(guī)劃問題的求解，常用方法有古典變分法、最小值原理、動態(tài)規(guī)劃，但這些方法需要計算目標函數(shù)的梯度，易于陷入局部極值。 結(jié)合遺傳算法和模擬退火算法各自的優(yōu)點，提出一種收斂速度快可用離散時間系統(tǒng)最優(yōu)控制問題的混合算法。 具體過程如下：（3）基于遺傳算法與模擬退火算法的混合算法）基于遺傳算法與模擬退火算法的混合算法 給定模擬退火溫度初始值，進化代

7、數(shù)計數(shù)器。用實數(shù)編碼對各個狀態(tài)進行代數(shù)計數(shù)器。用實數(shù)編碼對各個狀態(tài)進行代數(shù)計數(shù)器。用實數(shù)編碼對各個狀態(tài)進行編碼，隨機產(chǎn)生初始群體，結(jié)合退火罰因子構(gòu)造適應(yīng)度函數(shù)，對種群中的個體進行評價；利用遺傳算法對初始群體進行優(yōu)化，得到新的種群，引進最優(yōu)保留策略，對此新的種群用模擬退火算法進行訓(xùn)練，對訓(xùn)練后的種群再進行選擇，交叉，變異等遺傳操作。依次進行迭代直到滿足終止條件。對混合算法優(yōu)化得到的最優(yōu)解進行解碼。（3）基于遺傳算法與模擬退火算法的混合算法）基于遺傳算法與模擬退火算法的混合算法 優(yōu)點 這種混合遺傳算法具有良好的收斂性和穩(wěn)定性。適用大規(guī)模的最優(yōu)控制問題，相對而言，模擬退火算法收斂速度最慢，遺傳算法搜