NCF参数化建筑论坛
标题:
关于优化算法的讨论帖2 详解GA
[打印本页]
作者:
panhao1
时间:
2010-11-20 00:58
标题:
关于优化算法的讨论帖2 详解GA
这里找到了一个极为形象的图。
http://wiki.mbalib.com/wiki/%E9%81%97%E4%BC%A0%E7%AE%97%E6%B3%95
登录/注册后可看大图
图3—7中表示了遗传算法的执行过程 遗传算法的特点 1.遗传算法从问题解的中集开始嫂索,而不是从单个解开始。 这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的;容易误入局部最优解。遗传算法从串集开始搜索,复盖面大,利于全局择优。 2.遗传算法求解时使用特定问题的信息极少,容易形成通用算法程序。 由于遗传算法使用适应值这一信息进行搜索,并不需要问题导数等与问题直接相关的信息。遗传算法只需适应值和串编码等通用信息,故几乎可处理任何问题。 3.遗传算法有极强的容错能力 遗传算法的初始串集本身就带有大量与最优解甚远的信息;通过选择、交叉、变异操作能迅速排除与最优解相差极大的串;这是一个强烈的滤波过程;并且是一个并行滤波机制。故而,遗传算法有很高的容错能力。 4.遗传算法中的选择、交叉和变异都是随机操作,而不是确定的精确规则。 这说明遗传算法是采用随机方法进行最优解搜索,选择体现了向最优解迫近,交叉体现了最优解的产生,变异体现了全局最优解的复盖。 5.遗传算法具有隐含的并行性
作者:
panhao1
时间:
2010-11-20 00:59
编码方法主要有下列3种: (1)直接编码法 这是把神经网络结构直接用二进制串表示,在遗传算法中,“染色体”实质上和神经网络是一种映射关系。通过对“染色体”的优化就实现了对网络的优化。 (2)参数化编码法 参数化编码采用的编码较为抽象,编码包括网络层数、每层神经元数、各层互连方式等信息。一般对进化后的优化“染色体”进行分析,然后产生网络的结构。 (3)繁衍生长法 这种方法不是在“染色体”中直接编码神经网络的结构,而是把一些简单的生长语法规则编码入“染色体”中;然后,由遗传算法对这些生长语法规则不断进行改变,最后生成适合所解的问题的神经网络。这种方法与自然界生物地生长进化相一致。
作者:
panhao1
时间:
2010-11-20 01:17
本帖最后由 panhao1 于 2010-11-20 01:19 编辑
实数编码 又叫真实值编码,个体的每个基因位用某一范围内的一个浮点来表示,个体的编码长度取决于决策量的个数 实数编码有一些缺陷 改进方法很多 大家可以在cnki上找到 这里就不再多解释了 交叉变异的参数还是蛮多的 不过具体问题应该有不同的最优参数 和渲染设置有点像 这里还是要靠大家自己去试验 看不懂的地方多wiki一下 一般都能搜到一大堆
作者:
zhouningyi1
时间:
2010-11-20 10:00
本帖最后由 zhouningyi1 于 2010-11-20 10:02 编辑
可以再看看书吧,我去群里发一下 有遗传算法的书,前几章是很简单的 昨天正好在玩这个,感觉前途不错,可以做规划类的东西
作者:
Viking
时间:
2010-11-20 14:23
这一串让我想起了8个字: 共存 反依赖 独立 共生
作者:
ssslee
时间:
2010-11-25 11:24
恩,之前听一个清华的老师讲过这个,看了之后又多理解了一点
作者:
sysjs
时间:
2010-12-1 21:24
不大理解……
作者:
huangchang0528
时间:
2010-12-3 23:13
好深奥啊~~~~~
作者:
mistaker
时间:
2011-2-18 12:46
虽然不懂,但还是学习学习
作者:
nauygnod
时间:
2011-3-1 18:25
谢谢分享,支持
作者:
nauygnod
时间:
2011-3-1 18:26
谢谢分享,支持
作者:
nauygnod
时间:
2011-3-1 18:26
谢谢分享,支持
作者:
尹英壁
时间:
2011-5-3 13:10
额、深奥、、慢慢研究、、、
作者:
elisajean
时间:
2011-11-20 08:43
{:3_46:}{:3_46:}
1#
panhao1
作者:
sunnyzh
时间:
2011-12-28 11:14
呵呵,理论是对的,但是真能用到建筑上么?
作者:
Mango
时间:
2012-5-19 00:12
多谢楼主现身说法
作者:
沦落人
时间:
2013-5-24 10:48
不知道如何可以应用遗传算法,处在朦胧期
欢迎光临 NCF参数化建筑论坛 (http://www.ncf-china.com/)
Powered by Discuz! X3.2