遗传算法+vb.net 遗传算法和蚁群算法哪个简单

遗传算法具体应用

1、函数优化

函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。

2、组合优化

随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。

此外，GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用。

3、车间调度

车间调度问题是一个典型的NP-Hard问题，遗传算法作为一种经典的智能算法广泛用于车间调度中，很多学者都致力于用遗传算法解决车间调度问题，现今也取得了十分丰硕的成果。

从最初的传统车间调度（JSP）问题到柔性作业车间调度问题（FJSP），遗传算法都有优异的表现，在很多算例中都得到了最优或近优解。

扩展资料：

遗传算法的缺点

1、编码不规范及编码存在表示的不准确性。

2、单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。

3、遗传算法通常的效率比其他传统的优化方法低。

4、遗传算法容易过早收敛。

5、遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。

参考资料来源：百度百科-遗传算法

相关问答

Q1: 遗传算法怎么调用神经网络训练好的模型

遗传算法优化的BP神经网络建模借鉴别人的程序做出的仿真，最近才有时间整理。

目标：

对y=x1^2+x2^2非线性系统进行建模，用1500组数据对网络进行构建网络，500组数据测试网络。由于BP神经网络初始神经元之间的权值和阈值一般随机选择，因此容易陷入局部最小值。本方法使用遗传算法优化初始神经元之间的权值和阈值，并对比使用遗传算法前后的效果。

步骤：

未经遗传算法优化的BP神经网络建模

1、 随机生成2000组两维随机数(x1,x2)，并计算对应的输出y=x1^2+x2^2，前1500组数据作为训练数据input_train，后500组数据作为测试数据input_test。并将数据存储在data中待遗传算法中使用相同的数据。

2、 数据预处理：归一化处理。

3、 构建BP神经网络的隐层数，次数，步长，目标。

4、 使用训练数据input_train训练BP神经网络net。

5、 用测试数据input_test测试神经网络，并将预测的数据反归一化处理。

6、 分析预测数据与期望数据之间的误差。

遗传算法优化的BP神经网络建模

1、 读取前面步骤中保存的数据data；

2、 对数据进行归一化处理；

3、 设置隐层数目；

4、 初始化进化次数，种群规模，交叉概率，变异概率

5、 对种群进行实数编码，并将预测数据与期望数据之间的误差作为适应度函数；

6、 循环进行选择、交叉、变异、计算适应度操作，直到达到进化次数，得到最优的初始权值和阈值；

7、 将得到最佳初始权值和阈值来构建BP神经网络；

8、 使用训练数据input_train训练BP神经网络net;

9、 用测试数据input_test测试神经网络，并将预测的数据反归一化处理；

10、 分析预测数据与期望数据之间的误差。

Q2: 请问什么是遗传算法，并给两个例子

遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借

用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性

的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。1962年Holland教授首次

提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方

面，并奠定了坚实的理论基础。 用遗传算法解决问题时，首先要对待解决问题的模型结构

和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了。也有在连续

空间定义的GA(Genetic Algorithm in Continuous Space, GACS)，暂不讨论。

一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行：

(1) 对待解决问题进行编码；

(2) 随机初始化群体X(0):=(x1, x2, … xn)；

(3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性能好

坏；

(4) 应用选择算子产生中间代Xr(t)；

(5) 对Xr(t)应用其它的算子，产生新一代群体X(t+1)，这些算子的目的在于扩展有限

个体的覆盖面，体现全局搜索的思想；

(6) t:=t+1；如果不满足终止条件继续(3)。

GA中最常用的算子有如下几种：

(1) 选择算子(selection/reproduction): 选择算子从群体中按某一概率成对选择个

体，某个体xi被选择的概率Pi与其适应度值成正比。最通常的实现方法是轮盘赌(roulett

e wheel)模型。

(2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进行交叉

，生成两个新的个体，交叉位置是随机的。其中Pc是一个系统参数。

(3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异，对

二值基因链(0,1编码)来说即是取反。

上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改进GA的

某些性能。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对算法的收敛速度

及结果有很大的影响，应视具体问题选取不同的值。

GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力。OOP中的类的继

承为我们提供了这一可能。

定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体类TP

opulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作。对任一个应用实

例，可以在TSGA类上派生，并定义新的操作。

TPopulation类包含两个重要过程：

FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值，具体操

作在用户类中实现。

Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度average、最好

个体fmax、最坏个体fmin等。

TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数，它有4个

重要的成员函数：

Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2）。轮盘经任意旋转停止

后指针所指向区域被选中，所以fi值大的被选中的概率就大。

Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串。

Mutation: 变异算子，以概率Pm对基因链上每一个基因进行随机干扰(取反)。

Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每运行一

次，产生新的一代。

SGA的结构及类定义如下(用C++编写)：

[code] typedef char ALLELE; // 基因类型

typedef struct{

ALLELE *chrom;

float fitness; // fitness of Chromosome

}INDIVIDUAL; // 个体定义

class TPopulation{ // 群体类定义

public:

int size; // Size of population: n

int lchrom; // Length of chromosome: l

float sumfitness, average;

INDIVIDUAL *fmin, *fmax;

INDIVIDUAL *pop;

TPopulation(int popsize, int strlength);

~TPopulation();

inline INDIVIDUAL Individual(int i){ return pop[i];};

void FillFitness(); // 评价函数

virtual void Statistics(); // 统计函数

};

class TSGA : public TPopulation{ // TSGA类派生于群体类

public:

float pcross; // Probability of Crossover

float pmutation; // Probability of Mutation

int gen; // Counter of generation

TSGA(int size, int strlength, float pm=0.03, float pc=0.6):

TPopulation(size, strlength)

{gen=0; pcross=pc; pmutation=pm; } ;

virtual INDIVIDUAL Select();

virtual void Crossover(INDIVIDUAL parent1, INDIVIDUAL parent2,

INDIVIDUAL child1, INDIVIDUAL child2);

child1, INDIVIDUAL child2);

virtual ALLELE Mutation(ALLELE alleleval);

virtual void Generate(); // 产生新的一代

};

用户GA类定义如下：

class TSGAfit : public TSGA{

public:

TSGAfit(int size,float pm=0.0333,float pc=0.6)

:TSGA(size,24,pm,pc){};

void print();

}; [/code]

由于GA是一个概率过程，所以每次迭代的情况是不一样的；系统参数不同，迭代情况

也不同。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc=

0.6。变异概率太大，会导致不稳定。

参考文献

● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine

Learning. Addison-Wesley, Reading, MA, 1989

● 陈根社、陈新海，"遗传算法的研究与进展"，《信息与控制》，Vol.23,

NO.4, 1994, PP215-222

● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri

bution of the Neural Networks", IEEE, Trans. on Neural Networks, Vol.5, NO

.1, 1994, PP39-53

● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary

Algorithms with an Infinite Population Size in Continuous Space. Part Ⅰ

l Networks, Vol.5, NO.1, 1994, PP102-119

● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary

Algorithms with an Infinite Population Size in Continuous Space. Part Ⅱ

al Networks, Vol.5, NO.1, 1994, PP102-119

● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I

EEE, Trans. on Neural Networks, Vol.5, NO.1, 1994, PP96-101

● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg

orithms: A Markov chain analysis. in Parallel Problem Solving from Nat

ure. H.-P.Schwefel, R.Manner, Eds. Berlin and Heidelberg: Springer, 1991

, PP4-12

● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu

ral Networks, Vol.5, NO.1, 1994, PP130-147

● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co

ntrollers for Highly Uncertain Plants", IEEE, Trans. on Neural Networks, V

ol.5, NO.1, 1994, PP73-81

● 方建安、邵世煌，"采用遗传算法自学习模型控制规则"，《自动化理论、技术与应

用》，中国自动化学会 第九届青年学术年会论文集，1993, PP233-238

● 方建安、邵世煌，"采用遗传算法学习的神经网络控制器"，《控制与决策》，199

3,8(3), PP208-212

● 苏素珍、土屋喜一，"使用遗传算法的迷宫学习"，《机器人》，Vol.16,NO.5,199

4, PP286-289

● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat

ion", IEEE Trans. on S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",

IEEE Trans. on S.M.C, Vol.24, NO.4, 1994

● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy

Reasoning Models with Application to Fuzzy Control", IEEE Trans. S. M. C,

Vol.24, NO.1, PP39-47, 1994

● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Con

troller Design and Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13

39, 1993

Q3: 遗传算法出来的结果不稳定

有两种可能：1.有多种组合等于X，因此组合有多种

2.你的遗传算法容易局部收敛

对于2解决办法：增加判断，当种群最优染色体一直不变持续N代，重新初始化一个种群，或者往种群中注入新的随机染色体来跳出局部收敛区域。

对补充的回答：

遗传算法本身就是一种智能寻优的随机算法，搜索过程中存在随机性，在具有多个最优解的情况下，很难每次都寻优到同一组参数组合，因为每次的搜索路径是不同的。

如果楼主真是寻求最后结果一样的效果的话，可以先得到一组最优组合数字集合S，按从小到大排列处理后变为S'(n1,n2...ni)

然后搜索过程中的某组数字集合Q的目标函数

既满足：

相加的和最接近X，

还要满足：

1.数字个数=i

2.临时将Q从小达到排列，各个位置上的元素和S'的元素最接近

这样可能会增加很多计算时间，但理论上是可以每次都得到S

关于遗传算法+vb.net和遗传算法和蚁群算法哪个简单的介绍到此就结束了，不知道你从中找到你需要的信息了吗 ？如果你还想了解更多这方面的信息，记得收藏关注本站。