Python遗传算法中适值函数的标定方法是什么
这篇“Python遗传算法中适值函数的标定方法是什么”文章的知识点大部分人都不太理解,所以小编给大家总结了以下内容,内容详细,步骤清晰,具有一定的借鉴价值,希望大家阅读完这篇文章能有所收获,下面我们一起来看看这篇“Python遗传算法中适值函数的标定方法是什么”文章吧。
站在用户的角度思考问题,与客户深入沟通,找到平和网站设计与平和网站推广的解决方案,凭借多年的经验,让设计与互联网技术结合,创造个性化、用户体验好的作品,建站类型包括:成都做网站、成都网站建设、企业官网、英文网站、手机端网站、网站推广、申请域名、虚拟主机、企业邮箱。业务覆盖平和地区。
适值函数的标定
适值函数的标定
一般情况下,直接拿目标函数作为适值函数十分的方便,但是很多情况下却不能这么做,例如对于求最小值问题,我们必须将目标函数取反才能作为适值函数(这是最简单的情况)。
当我们遗传算法中不同个体适值函数的值相对差别很小的时候,我们根据适应度值的大小进行个体选择的选择压力(Selective pressure)就会变小,选优的能力弱化,这个时候我们需要对原始的适值函数进行标定(Scaling)是的他们相对差别增大,进而增大选择压力,增强算法的选优能力。
几种不同的适值函数标定方法
对目标函数的标定方法一般有:线性标定、动态线性标定、幂律标定、对数标定等
求最大值
对于求目标函数的最大值的时候, 即 arg max f(x)
我们取a=1,b=?fmin+ξ, 其中ξ是一个较小的数,目的是使得种群中最差个体也有被选中的机会,不然自身减掉f?fmin=0, ξ的存在可以增加种群的多样性。
GAFT中添加对于目标函数的标定
由于适值函数标定并不针对某个目标函数,我便想通过装饰器的方式来方便给任何自定义的fitness函数进行标定。对于基本的线性标定,我在GAEngine中添加了个带参数的装饰器:
Python
def linear_scaling(self, target='max', ksi=0.5): ''' A decorator constructor for fitness function linear scaling. :param target: The optimization target, maximization or minimization. :type target: str, 'max' or 'min' :param ksi: Selective pressure adjustment value. :type ksi: float Linear Scaling: 1. arg max f(x), then f' = f - min{f(x)} + ksi; 2. arg min f(x), then f' = max{f(x)} - f(x) + ksi; ''' def _linear_scaling(fn): # For original fitness calculation. self.ori_fitness = fn @wraps(fn) def _fn_with_linear_scaling(indv): # Original fitness value. f = fn(indv) # Determine the value of a and b. if target == 'max': f_prime = f - self.ori_fmin + ksi elif target == 'min': f_prime = self.ori_fmax - f + ksi else: raise ValueError('Invalid target type({})'.format(target)) return f_prime return _fn_with_linear_scaling return _linear_scaling |
这个时候如果我们在定义了一个自己的目标函数以后,想对其进行线性标定便可以使用engine的这个装饰器对函数进行修饰即可, 像下面这样:
Python
# Create a GA engine... # 先标定,后注册到引擎中 @engine.fitness_register @engine.linear_scaling(target='min', ksi=0.5) def fitness(indv): x, = indv.variants return x + 10*sin(5*x) + 7*cos(4*x) |
其中装饰器中的参数分别为:
target: 优化目标函数到最小值还是最大值,值可以是:'max'或者'min'
ksi: 即公式中ξξ
关于ξk
动态线性标定中的ξk作用同线性标定中的ξ为选择压力调节值, 它的存在使得种群中最坏的个体仍有被选中的机会,但是动态标定中的ξkξk的值会随着kk增大而减小。
ξkξk的取值: ξ0=M,ξk=ξk?1?r,r∈[0.9,0.999], 我们通过调节M和r来调节ξk
通过可以动态变化的ξk,我们可以使广域搜索范围宽保持种群的多样性,局部搜索保持收敛性,即,开始时希望选择小,迭代到后面希望选择压力逐渐变大.
6
其他标定方法
对数标定
函数表达式: f′=aLnf+b
作用: 缩小目标函数之间的差别
窗口技术
函数表达式: f′=af?fw
fw为前W代中的目标函数最小值,他考虑了各代fmin的波动,这样fw具有记忆性
如何判断种群个体的集中程度
通常采取比较种群中所有个体的适应度值的平均值favg与最大值fmax的接近程度来判断,如果最大值与平均值越接近说明个体就越集中。
大变异操作的两个参数
密集因子α: 决定大变异操作在整个过程中所占的比重,其数值约接近0.5,大变异操作越频繁
大变异概率: 概率越大,大变异算法的稳定性就越好,但是收敛速度可能会降低,当大变异概率的数值为0.5的时候,大变异操作就近似退化为随机搜索
以上就是关于“Python遗传算法中适值函数的标定方法是什么”这篇文章的内容,相信大家都有了一定的了解,希望小编分享的内容对大家有帮助,若想了解更多相关的知识内容,请关注创新互联行业资讯频道。
新闻名称:Python遗传算法中适值函数的标定方法是什么
分享URL:http://azwzsj.com/article/ggchoi.html