精华内容
下载资源
问答
  • 遗传算法优缺点

    万次阅读 多人点赞 2015-06-26 11:10:28
    遗传算法优缺点 遗传算法属于进化算法( Evolutionary Algorithms) 的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解. 遗传算法有三个基本算子:选择、交叉和变异. 。数值方法求解这一问题的主要手段是...

    遗传算法的优缺点


    遗传算法属于进化算法( Evolutionary Algorithms) 的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解. 遗传算法有三个基本算子:选择、交叉和变异.
    。数值方法求解这一问题的主要手段是迭代运算。一般的迭代方法容易陷入局部极小的陷阱而出现"死循环"现象,使迭代无法进行。遗传算法很好地克服了这个缺点,是一种全局优化算法。
    生物在漫长的进化过程中,从低等生物一直发展到高等生物,可以说是一个绝妙的优化过程。这是自然环境选择的结果。人们研究生物进化现象,总结出进化过程包括复制、杂交、变异、竞争和选择。一些学者从生物遗传、进化的过程得到启发,提出了遗传算法(GA)。算法中称遗传的生物体为个体(individual),个体对环境的适应程度用适应值(fitness)表示。适应值取决于个体的染色体(chromosome),在算法中染色体常用一串数字表示,数字串中的一位对应一个基因(gene)。一定数量的个体组成一个群体(population)。对所有个体进行选择、交叉和变异等操作,生成新的群体,称为新一代(new generation)。
    遗传算法计算程序的流程可以表示如下[3]:
    第一步 准备工作
    (1)选择合适的编码方案,将变量(特征)转换为染色体(数字串,串长为m)。通常用二进制编码。
    (2)选择合适的参数,包括群体大小(个体数M)、交叉概率PC和变异概率Pm。
    (3)确定适应值函数f(x)。f(x)应为正值。
    第二步 形成一个初始群体(含M个个体)。在边坡滑裂面搜索问题中,取已分析的可能滑裂面组作为初始群体。
    第三步 对每一染色体(串)计算其适应值fi,同时计算群体的总适应值 。
    第四步 选择
    计算每一串的选择概率Pi=fi/F及累计概率。选择一般通过模拟旋转滚花轮(roulette,其上按Pi大小分成大小不等的扇形区)的算法进行。旋转M次即可选出M个串来。在计算机上实现的步骤是:产生[0,1]间随机数r,若r<q1,则第一串v1入选,否则选v2,使满足qi-1<r<qi(2≤i≤m)。可见适应值大的入选概率大。
    第五步 交叉
    (1)对每串产生[0,1]间随机数,若r>pc,则该串参加交叉操作,如此选出参加交叉的一组后,随机配对。
    (2) 对每一对,产生[1,m]间的随机数以确定交叉的位置。
    第六步 变异
    如变异概率为Pm,则可能变异的位数的期望值为Pm ×m×M,每一位以等概率变异。具体为对每一串中的每一位产生[0,1]间的随机数r,若r<Pm,则该位发生反转,如对染色体二进制编码为数字0变为1,1变为0。
    如新个体数达到M个,则已形成一个新群体,转向第三步;否则转向第四步继续遗传操作。直到找到使适应值最大的个体或达到最大进化代数为止。
    由于选择概率是由适应值决定的,即适应值大的染色体入选概率也较大,使选择起到"择优汰劣"的作用。交叉使染色体交换信息,结合选择规则,使优秀信息得以保存,不良信息被遗弃。变异是基因中得某一位发生突变,以达到产生确实有实质性差异的新品种。遗传算法虽是一种随机算法,但它是有导向的,它所使用的"按概率随机选择"方法是在有方向的搜索方法中的一种工具。正是这种独特的搜索方法,使遗传算法自然地避开了其它最优化算法常遇到的局部最小陷阱。
     
        遗传算法与传统的优化方法(枚举,启发式等)相比较,以生物进化为原型,具有很好的收敛性,在计算精度要求时,计算时间少,鲁棒性高等都是它的优点。
      
    遗传算法的优点:
    1. 与问题领域无关切快速随机的搜索能力。
    2. 搜索从群体出发,具有潜在的并行性,可以进行多个个体的同时比较,robust.
    3. 搜索使用评价函数启发,过程简单
    4. 使用概率机制进行迭代,具有随机性。
    5. 具有可扩展性,容易与其他算法结合。
     
    遗传算法的缺点: 
       1、遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,
       2、另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.
      3、没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢,要得要较精确的解需要较多的训练时间。
      4、算法对初始种群的选择有一定的依赖性,能够结合一些启发算法进行改进。
      5、算法的并行机制的潜在能力没有得到充分的利用,这也是当前遗传算法的一个研究热点方向。
        在现在的工作中,遗传算法(1972年提出)已经不能很好的解决大规模计算量问题,它很容易陷入“早熟”。常用混合遗传算法,合作型协同进化算法等来替代,这些算法都是GA的衍生算法。




     遗传算法具有良好的全局搜索能力,可以快速地将解空间中的全体解搜索出,而不会陷入局部最优解的快速下降陷阱;并且利用它的内在并行性,可以方便地进行分布式计算,加快求解速度。但是遗传算法的局部搜索能力较差,导致单纯的遗传算法比较费时,在进化后期搜索效率较低。在实际应用中,遗传算法容易产生早熟收敛的问题。采用何种选择方法既要使优良个体得以保留,又要维持群体的多样性,一直是遗传算法中较难解决的问题。


        模拟退火算法虽具有摆脱局部最优解的能力,能够以随机搜索技术从概率的意义上找出目标函数的全局最小点。但是,由于模拟退火算法对整个搜索空间的状况了解不多,不便于使搜索过程进入最有希望的搜索区域,使得模拟退火算法的运算效率不高。模拟退火算法对参数(如初始温度)的依赖性较强,且进化速度慢。
    展开全文
  • 遗传算法原理和优缺点

    千次阅读 2019-09-16 15:23:35
    遗传算法就是在一定的自变量有限的取值范围内,随机取若干个个体,每个个体相当于自变量范围内的一个取值,若干个体共同组成一个种群,个体对环境的适应能力提现为该个体对应的因变量,不同的个体得到的结果不同,...

    1 原理

    遗传算法就是在一定的自变量有限的取值范围内,随机取若干个个体,每个个体相当于自变量范围内的一个取值,若干个体共同组成一个种群,个体对环境的适应能力提现为该个体对应的因变量,不同的个体得到的结果不同,对于结果较好的个体,其下一代在种群中的占比更高,不好的占比更少,简单来说,就是好的个体被保留,坏的个体被淘汰,经过不断地更新换代,最后的结果会不断逼近最优的结果。

     

    ref:https://blog.csdn.net/DBLLLLLLLL/article/details/82730199

    2 优缺点

    优点:

    1 能够求出优化问题的全局最优解

    2 优化结果与初始条件无关

    3 算法独立于求解域

    4 具有较强的鲁棒性

    5 适合于求解复杂的优化问题

    6 应用较为广泛

    缺点: 1 收敛速度慢

    2 局部搜索能力差

    3 控制变量多

    4 无缺点的终止准则

    3 遗传算法常见的编码方式

    二进制编码,格雷码编码,浮点数编码,排列编码。

    展开全文
  • 传统优化算法与遗传算法之间的优缺点和特点比较

    万次阅读 多人点赞 2017-01-15 09:26:04
    优缺点比较: 传统优化算法优点:1:利用了解空间的特性,如可微等。  2:理论较为完善,计算量小。  3:收敛速度快。  4:具有确定的终止准则。 传统优化算法缺点:1:仅能求出优化问题的局部最优解。

    优缺点比较:


    传统优化算法优点:1:利用了解空间的特性,如可微等。

                                   2:理论较为完善,计算量小。

                                   3:收敛速度快。

                                   4:具有确定的终止准则。


    传统优化算法缺点:1:仅能求出优化问题的局部最优解。

                                   2:求解的结果强烈依赖于初始值。


    遗传算法的优点:1:能够求出优化问题的全局最优解。

                               2:优化结果与初始条件无关。

                               3:算法独立于求解域。

                               4:具有较强的鲁棒性。

                               5:适合于求解复杂的优化问题。

                               6:应用较为广泛。


    遗传算法的缺点:1:收敛速度慢。

                               2:局部搜索能力差。

                               3:控制变量较多。

                               4:无确定的终止准则。


    特点的比较:


    遗传算法:1:以编码的方式工作,可以并行搜索多个峰值

                     2:以编码方式工作,不对参数本身进行操作,具有良好的可操作性

                     3:用概率性传递规则代替确定性规则,具有全局寻优特点

                     4:只使用目标函数和相应的适应度函数,不需要其他的辅助信息


    传统优化算法:1:需要不同形式的辅助信息,如可微、连续等

                            2:有固定的结构和参数,计算复杂度和收敛性可做理论分析 

                            3:有明确的条件描述,清晰的结构信息


    展开全文
  • 列举了蚁群算法与粒子群算法优缺点,以及对比,提供了一个较为完善的优化思路
  • 遗传算法实例解释

    2012-05-13 18:45:24
    遗传算法优缺点介绍、实例分析,原理,改进策略等等
  • 概述 智能理论算法的优点是无需先验知识,不需要分析数据内部的规律和...研究发现,遗传算法可以用极快的速度达到最解的90%以上,但是要达到真正的最解需要花费很长时间,即局部搜索能力不足。 粒子群算法 产生早熟

    概述

    算法本质

    优化算法是一种给定方向的遍历

    定义

    群体智能优化算法主要模拟了昆虫、兽群、鸟群和鱼群的群体行为,这些群体按照一种合作的方式寻找食物,群体中的每个成员通过学习它自身的经验和其他成员的经验来不断地改变搜索的方向。任何一种由昆虫群体或者其他动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群体智能(Swarm Intelligence)

    白话解释

    模仿昆虫或者一些动物的觅食或者其他行为,这些动物群体按照一中合作的方式寻找食物,不断的交流食物信息,能够很快的找到更多的食物。通过对他们的行为的研究抽象出来的一种算法,就是群体智能优化算法。(例如,一个个体找到了食物,就会通知其他个体来这个有食物的地方,这就是一种行为)

    算法原则

    1. 邻近原则:群体能够进行简单的空间和时间计算;
    2. 品质原则:群体能够响应环境中的品质因子;
    3. 多样性反应原则:群体的行动范围不应该太窄;
    4. 稳定性原则:群体不应在每次环境变化时都改变自身的行为;
    5. 适应性原则:在所需代价不太高的情况下,群体能够在适当的时候改变自身的行为。

    1、遗传算法(GA)

    全局搜索能力强,局部搜索能力较弱,往往只能得到次优解而不是最优解。

    研究发现,遗传算法可以用极快的速度达到最优解的90%以上,但是要达到真正的最优解需要花费很长时间,即局部搜索能力不足。

    2、粒子群算法(PSO)

    产生早熟收敛并被证明算法不是全局收敛
    未加权重——收敛速度快但容易陷入局部最优解

    3、 蚁群算法

    参数设置复杂,如果参数设置不当,容易偏离优质解

    4、 模拟退火算法

    全局寻优,适合搭配粒子群、鲸鱼优化算法等容易陷入局部最优解的

    5、 鱼群算法

    参数设置复杂,如果参数设置不当,容易偏离优质解.(同蚁群)

    6、鲸鱼优化算法

    6.1问题

    算法陷入局部极值和收敛速度问题
    陷入局部最优解
    结合模拟退火算法,通过接受较差点来提升全局寻优能力
    收敛速度慢
    引入自适应权重,提升算法的局部寻优能力

    展开全文
  • 常见分类算法优缺点

    千次阅读 2017-06-02 15:31:57
    1决策树(Decision Trees)的优缺点 决策树的优点: 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二、 对于决策树,数据的准备往往是简单或者是不必要的.其他的技术...
  • 各种算法优缺点

    千次阅读 2016-08-25 20:55:30
    最近在学习分类算法,顺便整理了各种分类算法优缺点。 1决策树(Decision Trees)的优缺点 决策树的优点: 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二...
  • 多种群遗传算法及优点和缺点,可以很好的进行种群遗传模拟
  • 各个分类算法优缺点

    千次阅读 2018-06-29 13:15:08
    1. 各个分类算法优缺点1.1. 朴素贝叶斯朴素贝叶斯的主要优点有:1)朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。2)对小规模的数据表现很好,能个处理多分类任务,适合增量式训练,尤其是数据量超出内存...
  • 各类算法优缺点

    2018-10-25 20:03:23
    1决策树(Decision Trees)的优缺点 决策树的优点: 1.决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 2. 对于决策树,数据的准备往往是简单或者是不必要的.其他的技术往往要求先把...
  • 机器学习算法优缺点及其应用领域
  • 常见机器学习算法优缺点总结

    千次阅读 2019-08-04 17:49:46
    常见机器学习算法优缺点总结 1. 回归 回归是一种用于连续型数值变量预测和建模的监督学习算法,使用案例包括房地产价格、股价走势或学生成绩等的预测。 回归任务的特征是具有数值型目标变量的标注数据集。换言之...
  • 各分类算法优缺点

    2016-05-12 14:08:13
    最近在学习分类算法,顺便整理了各种分类算法优缺点。 1决策树(Decision Trees)的优缺点 决策树的优点: 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二...
  • 遗传算法

    万次阅读 多人点赞 2019-04-06 21:41:47
    使用遗传算法求解多峰函数的最大值,是我的一项课程作业,做完之后,顺便把文档整理出来做个记录。全部内容如下: 1、问题描述 编程实现遗传算法,并求解多峰函数的最大值。多峰函数的表达式如下所示: 用MATLAB...
  • 各种分类算法优缺点比较

    千次阅读 2016-11-13 16:18:41
    最近在学习分类算法,顺便整理了各种分类算法优缺点。 1决策树(Decision Trees)的优缺点 决策树的优点: 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二...
  • 1决策树(Decision Trees)的优缺点 决策树的优点: 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二、 对于决策树,数据的准备往往是简单或者是不必要的.其他的技术往往要求...
  • 云计算中各个分类算法优缺点。 1.1. 朴素贝叶斯 朴素贝叶斯的主要优点有: 1)朴素贝叶斯模型发源于古典数学理论,有稳定的分类效率。 2)对小规模的数据表现很好,能个处理多分类任务,适合增量式训练,尤其是...
  • 一、决策树(Decision Trees)的优缺点 决策树的优点: 1、决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 2、对于决策树,数据的准备往往是简单或者是不必要的.其他的技术往往要求先把...
  • 详解遗传算法(含MATLAB代码)

    万次阅读 多人点赞 2019-05-29 11:30:47
    一、遗传算法概述 二、遗传算法的特点和应用 三、遗传算法的基本流程及实现技术 3.1 遗传算法的基本流程 3.2 遗传算法的实现技术 1.编码 2.适应度函数 3.选择算子 4.交叉算子 5.变异算子 6.运行参数 四、...
  • 1决策树(Decision Trees)的优缺点 决策树的优点: 一、 决策树易于理解和解释.人们在通过解释后都有能力去理解决策树所表达的意义。 二、 对于决策树,数据的准备往往是简单或者是不必要的.其他的技术...
  • 盘点|最实用的机器学习算法优缺点分析  2017-06-01 AI100 AI100 推荐理由 对于机器学习算法的盘点,网上屡见不鲜。但目前,还没人能结合使用场景来把问题说明白,而这一点正是...

空空如也

空空如也

1 2 3 4 5 ... 20
收藏数 3,518
精华内容 1,407
关键字:

遗传算法的优缺点