基于遗传算法的车间调度优化及其仿真(16)

2021-01-28 21:53

毕业论文资料

武汉理工大学硕士学位论文

如将个体X的适应度f(x)定义为M.c(x)或e一(“,其中M为一足够大正数,c(x)为个体的目标值,a>0。对于复杂优化问题,往往需要构造合适的评价函数,使其适应GA进行优化。

由于适应度度量意义下的个体差异与目标函数值度量意义下的个体差异有

所不同,因此若适应度函数设计不当,将难以体现个体的差异,选择操作的作用就很难体现出来,从而造成早熟收敛等缺点。对适应度进行调节是常用的改进方法,如线性变换和指数变换等,即通过某种变换改变原适应度间的比例关系。此外,目前已开发了许多基于工序的选择操作,它基于目标值的好坏分配选择概率,无需设计适应度函数,一定程度上缓解了适应度函数定义的难度。3.选择算子

选择(Selection)又称复制或繁殖(Reproduction),选择操作的目的是为了

避免有效基因的损失,使高性能的个体得以更大的概率生存,从而提高全局收敛性和计算效率。判断染色体优良与否的准则就是各自的适应度值,个体适应度值越大,其被选择的机会就越多。选择操作体现了达尔文的优胜劣汰、适者生存原则。选择的方法根据不同的问题,采用不同的方案,最常用的方法是比例选择、基于排名的选择和锦标赛选择。

(1)比例选择(也称轮盘赌)。用正比于个体适配值的概率来选择相应的个

i-1}kDt∞EtP∞tI楚

体,即产生随机数§∈[o,1】,若∑乃/∑z<§s∑乃/∑z,则选择状态f

jmljfljffilj-I

进行复制,其中,为个体i的适配值。

(2)基于排名的选择。首先将种群中所有个体由好到坏进行排列,然后以

一定方式分配给个体一定的选择概率,具体分配方式不限,如线性方式、非线性方式,但是要求越好的个体所分配的概率越大,且所有个体分配的概率之和为1。

(3)锦标赛选择(toumamentselection)。首先在父代种群中随机选取k个

个体,然后令其中适配值或目标值最好的个体为被选中个体。显然,k的大小影响选择性能。

4.交叉算子

交叉(Crossover)又称重组(Recombination)或配对(Breeding),交叉操作是遗传算法中最主要的遗传操作,它用于组合出新的个体,在解空间进行有


基于遗传算法的车间调度优化及其仿真(16).doc 将本文的Word文档下载到电脑 下载失败或者文档不完整,请联系客服人员解决!

下一篇:可口可乐公司品牌形象塑造

相关阅读
本类排行
× 注册会员免费下载(下载后可以自由复制和排版)

马上注册会员

注:下载文档有可能“只有目录或者内容不全”等情况,请下载之前注意辨别,如果您已付费且无法下载或内容有问题,请联系我们协助你处理。
微信: QQ: