遗传算法教案

●R1：基本遗传算法(比例选择、单点交叉、基本位变异)； ●R2：保留最佳个体模型； ●R3：期望值模型；

●R4：保留最佳期望值模型； ●R5：排挤因子模型； ●R6：广义交叉模型。

遗传算法教案

变异概率对离线性能的影响 (优化策略为 R1, , 测试函数为 F1) )

变异概率对在线性能的影响 (优化策略为 R1, , 测试函数为 F1) )

优化策略 R1,R2,R3 在基因 ， , 损失方面的性能比较( 损失方面的性能比较( 测试函 数为 F1) )

优化策略 R1,R2,R3 的离线 ， , 性能比较( 性能比较(测试函数为 F1) )

遗传算法教案

经过仔细分析和计算，De Jong得到了下述几条重要的结论： 结论1

群体的规模越大，遗传算法的离线性能越好，越容易收敛。 结论2

规模较大的群体，遗传算法的初始在线性能较差；而规模较小的群体，遗传算法的初始在线性能较好。

结论3

虽然变异概率的增大也会增加群体的多样性，但它却降低了遗传算法的离线性能相在线性能，并且随着变异概率的增大，遗传算法的性能越来越接近于随机搜索算法的性能。

结论4

使用保留最佳个体模型或期望值模型的遗传算法比基本遗传算法的性能有明显的改进。 结论5

对于广义交叉算子，随着交叉点数的增加会降低遗传算法的在线性能和离线性能。 这些结论在遗传算法的开发研究和实际应用中具有重要的指导意义。

4.4 多目标优化

多目标优化问题一般可描述为下面的数学模型：