进化规划算法

来源：互联网发布：1.5斤麒麟鞭弹簧垫数据编辑：程序博客网时间：2024/06/08 14:32

算法描述

        EP 是 L. J. Fogel 于20世纪60年代在人工智能研究中提出的一种有限状态机进化模型，在此模型中机器的状态基于分布的规律进行编译。
        D. B. Fogel 在90年代拓广了 EP 思想，使它可处理实数空间的优化问题，并在变异运算中引入了正态分布变异算子，这样 EP 就变成了一种优化搜索工具，并在很多实际问题中得到了应用。
        EP 模拟生物种群层次上的进化，因此在进化过程中主要强调生物种群行为上的联系，即强调种群层次上的行为进化而建立父、子代间的行为链，意味着好的子代才有资格生存，而无论其父代如何，适于选择子代。

算法流程

初始化（个体表现型X, 群体规模N, 迭代次数G等）随机产生初始群体并计算适应值（含N 个个体） while (not done){for(i = 1; i < N; i++){对Xi进行变异得到Xi' 对Xi进行可行性检查计算xi的适应值 }从2N 个个体中选择N 个个体 （采用q-竞争算法）} 输出结果

对算法流程的解释

        ①个体表现型X ： X = (x1, x2, ┉┉ ,xn, σ1,σ2, ┉┉ σn)，其中x1 ┉┉ xn为个体表现的分量，σ1 ┉┉ σn为个体表现分量的变异参数；
        ②群体规模N ：为改算法中包含的个体数；
        ③随机产生初始群体：在个体表现型X中对于个体 xi 初始化为再该分量中范围内随机取值，σi 根据 N(0, 1)产生，并计算该个体的适应值；
        ④对 Xi 进行变异得到 Xi‘ ：可根据如下公式进行变异；

        ⑤对 Xi’ 进行可行性检查，计算适应值：对 Xi‘ 中的各个分量在取值范围内进行判断，若不符合取值范围，处理方法可见下一节，若符合，计算该个体的适应值；
        ⑥从2N个个体中选择N个个体：方法采用随机型q-竞争法，详细请参看下一篇博文；

一些问题的解释

①个体变异不成功：可采用三种方法：(1)重新变异直至可行； (2)从解空间中随机选取一个可行解代替； (3)选择当代中的最优解代替；
②变异公式：变异公式可根据实际情况略作修改，如：将 + 改为 - ；

q-竞争选择算法：

进化规划算法的选择策略采用的是q-竞争机制，这也是与进化策略算法最大的不同点，q-竞争说白就是选择优质解的同时，以一定的随机概率接受较差的解。多数是优解，

少数是比较差的解，共同组成一组父代，为下一次进化做准备。

思想：

将N个父代进化的N个子代一起放在一起，从中随机选择不重复q个个体组成一个组，然后依次对2N个个体的每一个个体进行计分，将2N个依次每次一个与随机挑选出的群组的每一个成员进行比较，相比优的话，则会对应的个体的分数加1，最后对分数进行排序，选择分数最高的N个个体！

代码实现：

#define PARENTS 20//父代个数，一个生一个
#define CHILDREN 20//子代个数，一个生一个

#define Q 18 //0.9*Parents的竞争数

void qSelect(Individual* Pop)
{
int QCompete[Q] , QNum, j = 0;//挑选Q个随机量

Individual Max;

for(int i=0;i<Q;i++)

{

QCompete[i] = -1;

}
for (int i = 0; i < Q; i++)//从父代和子代中挑Q个个体
{
while (true)
{
QNum = randT<int>(0, PARENTS + CHILDREN);//产生0~（PARENTS + CHILDREN）之间随机数
for (j = 0; j < i; )
{
if (QNum == QCompete[j])
break;
j++;

}
if (i <= j)
break;
}
QCompete[i] = QNum;
}
for (int s = 0; s < PARENTS + CHILDREN; s++)//清除上一次的计分
Pop[s].Score = 0;
for (int k = 0; k < CHILDREN + PARENTS; k++)//计分
{
for (int l = 0; l < Q; l++)
{
if (Pop[k].Fitness >= Pop[QCompete[l]].Fitness)//比随机挑选的优秀，朝最大值方向进化
{
Pop[k].Score++;
}
}
}
for (int q = 0; q < PARENTS + CHILDREN; q++)//得分最高者上位，选择优秀个体
{
Max = Pop[q];
for (int p = q + 1; p < PARENTS + CHILDREN; p++)
{
if (Pop[p].Score > Max.Score)
{
Pop[q] = Pop[p];
Pop[p] = Max;
Max = Pop[q];//更新得分最高个体
}
}
}

}

template<typename T>
T randT(T Lower, T Upper)
{
T temp;
if (Lower > Upper)
{
temp = Upper;
Upper = Lower;
Lower = temp;
}
return (double)rand()/RAND_MAX *(Upper - Lower) + Lower;
}

参考：

1、http://blog.csdn.net/joe_lq/article/details/48655707

0 0