遗传算法-目标函数与适应度函数变换
2021/5/11 14:55:26
本文主要是介绍遗传算法-目标函数与适应度函数变换,对大家解决编程问题具有一定的参考价值,需要的程序猿们随着小编来一起学习吧!
基本概念
最优化问题可分为两类,一类是求最大值,一类是求最小值,这里的最大最小指的是目标函数,当然通常也把目标函数叫适应度;
而遗传算法本身是求最大值的,因为优胜劣汰,得到的是适应度最大的个体;
如果想求最小值,就需要做适应度函数变换;
如果目标函数之间差别很小,个体被选择的概率也就相差不大,这样算法的选择功能将被大大弱化,此时也可作适应度函数变换;
如果有其他需求,或者个性化设计,也需要适应度函数变换;
适应度函数变换也叫 标定
适应度(目标函数)的设计 和 适应度函数变换 是 两码事
函数设计的基本思想
适应度函数(目标函数)
目标函数的设计主要是结合业务,可分为单目标和多目标
设计不当有可能出现欺骗问题:
(1)进化初期,个别超常个体控制选择过程;
(2)进化末期,个体差异太小导致陷入局部极值 ;
适应度函数变换
1. 适应度不能既有正又有负,这样算概率时没法算,为了方便计算,一般保证适应度全为正;
2. 适应度一般不为 0,因为 0 的概率为 0,永远不会被选择,没有意义;
3. 适应度函数变换的核心就是为了使得 适应度高的个体更容易被选择;
标定方法
方法很多,这里做个总结
线性变换
max:减去最小值的目的,一是防止出现负数,二是增加相对差别;
min:目标函数加负号,即取最小,最大值减去目标函数也是防止出现负数;
加上 ξ 是为了避免出现 0;
动态线性变换
把线性标定中 ξ改成了ξ的k次方,希望开始的时候,大家都有机会,而越到后面,越要保留优秀的个体
下面这张图挺不错的,虽然内容有重复,也贴上来
M 就是一个初始值,可为 1, 也可不为 1,ξk € [0, 1]
其他标定
以下方法不太常用,包括 幂律标定、对数标定、指数变换、窗口技术、正规化技术、
参考资料:
https://blog.csdn.net/qcyfred/article/details/76731706 遗传算法(2):对适应度函数的改进
这篇关于遗传算法-目标函数与适应度函数变换的文章就介绍到这儿,希望我们推荐的文章对大家有所帮助,也希望大家多多支持为之网!
- 2024-06-26结对编程到底难不难?答案在这里
- 2024-06-19《2023版Java工程师》课程升级公告
- 2024-06-15matplotlib作图不显示3D图,怎么办?
- 2024-06-1503-Loki 日志监控
- 2024-06-1504-让LLM理解知识 -Prompt
- 2024-06-05做软件测试需要懂代码吗?
- 2024-06-0514-ShardingSphere的分布式主键实现
- 2024-06-03为什么以及如何要进行架构设计权衡?
- 2024-05-31全网首发第二弹!软考2024年5月《软件设计师》真题+解析+答案!(11-20题)
- 2024-05-31全网首发!软考2024年5月《软件设计师》真题+解析+答案!(21-30题)