new近代工程优化简答题(精品文档)
- 格式:pdf
- 大小:115.67 KB
- 文档页数:6
1.简述传统优化算法与遗传算法的特点及其优缺点。
传统优化算法的特点:
A.传统优化算法一般是确定性算法,有固定的结构和参数,计算复杂度和收敛性可做理论分析。
B.传统优化算法大多属于凸优化范畴,有唯一明确的全局最优解。
C.传统优化算法一般是针对结构化的问题,有较为明确的问题和条件描述,如线性规划、二次规划、整数规划、混合规划、带约束和不带约束等,即有清晰的结构信息。
遗传算法的特点:
A.遗传算法是对参数的编码进行操作,而不是对参数本身,因而适应于求解复杂的优化问题,应用范围很广。
B.遗传算法属于种群搜索算法,易于并行处理,可以有效防止局部搜索过程收敛于局部最优解,而且有较大的可能求得全局最优解。
C.遗传算法通过目标函数来计算适应度值,而不需要其他信息,从而对问题的依赖性较小。
D.遗传算法使用概率的转变原则,而不是确定性的规则。
E.遗传算法在解空间内不是盲目地穷举或完全随机搜索,而是一种启发性搜索,其搜索效率往往优于其它方法。
F.遗传算法对于待寻优的函数基本无限制,因而应用范围很广。
遗传算法的优点:
A. 与问题领域无关且具有快速随机的搜索能力。
B. 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。
C. 搜索使用评价函数启发,过程简单
D. 使用概率机制进行迭代,具有随机性。
E. 具有可扩展性,容易与其他算法结合。
遗传算法的缺点:
A.收敛速度慢。
B.局部搜索能力较差。
C.控制变量较多。
D.无确定的终止准则。
2. 简述遗传算法的基本原理,并给出基本遗传算法的求解步骤和流程图
遗传算法的基本原理:
遗传算法是模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象,在每次迭代中都保留一组候选解,并按某种指标(适应度函数)从解群中选择较优的个体,利用遗传算子(选择、交叉和变异)对这些个体进行重组,
产生新一代的候选解群,重复此过程,直到满足某种收敛指标为止。
基本遗传算法的求解步骤:
A.初始化。设置进化代数计数器k=0,设置群体规模,最大进化代数M,交叉概率、变异概率。随机生成pop个个体作为初始种群。
B.个体评价。计算群体p(k)中个体的适应度。
C.终止条件判断。若k>M,则以当前的种群中具有最大适应度的个体作为
最优解输出,终止计算。否则,转步骤D。
D.选择操作。将选择算子作用于群体。
E.交叉操作。将交叉算子作用于群体
F.变异操作。将变异算子作用于群体。
G.群体p(k)经过选择、交叉和变异操作后得到下一代群体p(k+1),令
k=k+1,转步骤B。
3. 简述遗传算法中,De Jong提出的两条具体的编码原则。
A.有意义积木块编码原则。所采用的编码应易于生成与所求问题相关的低阶、短定义距以及平均适应度高于群体平均适应度的积木块。
B.最小字符集编码原则。所采用的编码应采用最小字符集,以使问题得以自然的描述。
De Jong基于模式定理和积木块假设提出了原则1。在很多情况下,染色体中的基因的地位并不平等,某些基因的突变将对适应度值带来很大变化,而另
一种基因的变化对适应度值的影响较小。影响大的基于成为敏感基因。许多敏
感基因家当的组合决定了GA的寻优方向。在实际编码时,按原则1,应将敏感
基因排列在一起,形成所谓的密排基因快,这种密排基因快一旦形成,不易被
破坏,容易被子代继承。
De Jong提出的原则2实际上是一个被广泛采用和认可的原则。最早提出并使用至今的二值编码即符合这一原则。这不仅是因为二值编码是最简单的编
码形式,更重要的是二值编码含有更多的模式,更容易找到染色体的相似结构。
4. 在遗传算法中,对实数变量采用二进制方式编码。假设一维实变量X的取值范围为[X L,X U],其编码精度为δ,写出二进制编码长度N应满足的数学关系式,以及相应的编码、译码数学关系式。
由于参数X的取值范围为[X L,X U],编码精度为δ,所以将[X L,X U]分为(X U-
X L)/δ份,则编码的长度N应满足:
2N-1 δ ≤2N‒1 log 2(X U ‒X L δ+1)≤N 得到串长为N 的二进制数,最小整数为0,最大整数为。所有N 位二 2N ‒1进制数为0,1,2,……,共有个整数。 2N ‒12N 设串长为N 的二进制表示为B=b L b L-1……b 2b 1,b i {0,1}。则它的整数I ∈为。 I =∑N i =1b i ×2i ‒1一般地,对定义在区间[X L ,X U ]上的一维实变量X ,用N 为二进制码b N b N-1…b 2b 1,对其进行编码,则 X 与二进制码之间的关系为 X =X L +X U ‒X L 2N ‒1∑N i =1b i ×2i ‒15.简述进化算法中种群规模和初始种群的设定原则。 种群规模是遗传算法的控制参数之一,如何设定种群规模是一个未解决的问题。种群规模太大,计算量增大,影响GA 的效率,也会影响交叉策略。而群体规模太小,GA 搜索空间有限,会导致未成熟收敛现象。实际中,群体规模在几十到几百之间取值、问题越难。维数越高,种群规模越大。 初始种群的设定,一般情况下,GA 随机生成初始种群。在有先验知识的情况下,应根据已有的信息生成初始种群。在无任何先验知识的情况下,初始种群应均匀散步在搜索空间中,以增强初始种群的多样性,提高GA 求得全局最优解的概率。 6.简述遗传算法中常用的适应度比例选择和联赛选择方法,以及其使用的条件。 适应度比例选择方法又称为轮盘赌方法,采用该策略选择时,各个个体被选择的概率与其适应度成正比。即选取的概率为该个体的适应值与每个个体适应度总和的比值。条件为适应度函数f(x)>0。 联赛选择方法它是基于个体适应度值之间大小关系的选择方法,不必满足f(x)>0的条件。每次进行适应度值大小比较的个体数目称为联赛的规模。一般联赛规模N=2。过程如下: A .从群体中随机选N 个个体进行适应度值大小进行比较,将适应度值最高的个体遗传给下一代。 B .将上述过程重复M 次,就可得到下一代群体中的M 个个体。 7.简述遗传算法中常用的两种交叉运算方法,并分别举例说明。 遗传算法常用的两种交叉运算为单点交叉和双点交叉。 单点交叉又称为简单交叉,当染色体长度为N 时,可能有N-1个交叉点,因此可能有N-1个交叉结果。 例如两个染色体的序列分别为:xxyxyxxyyx ,xyyyyxxyx 在第四点进行交