本文版权归作者所有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。
转载自夜明的孤行灯
开学了,各种忙起来了。
上一篇介绍了AForge.NET在人工神经网络上的一点点使用,但是老觉不过瘾。matlab用着实在不习惯,就又琢磨了一下进化计算。
进化计算简介
进化计算算不上新的方法了,已经有大量研究人员作出了努力,这导致了大量的进化计算算法出现。他们不仅研究算法本身,还致力于扩大算法的应用范围。
众所周知,现实世界存在大量复杂问题,它们中一部分无法用常规方法在合理的时间内获得精确解,而另一部分甚至没有行之有效的解决方案。
最著名的例子就是TSP问题,该问题意在寻求单一旅行者由起点出发,通过所有给定的需求点之后,最后再回到原点的最小路径成本。
而进化计算可以应用于这些问题,因为大多数情况下这类问题允许我们在合理时间内给出较优解。
进化计算并不能保证找到特定问题的最佳解决方案,但是可以找到一个很好的解决办法,该方案可能是非常接近的最佳解决方案。
进化算法的分支和运用
进化计算是一些算法的统称,主要包括Genetic Algorithms (GA遗传算法), Genetic Programming (GP遗传规划) 和 Gene Expression Programming (GEP基因表达式编程)。
进化算法主要可以解决以下类别问题:
1.函数优化
2.符号回归
3.时间序列预测
4.旅行商问题
遗传算法简介
Genetic Algorithms(遗传算法)最早由John Holland基于进化观点在1960提出。从那时起相关研究不断进行。
大部分研究成果运用到很多领域,并取得了很好的效果。虽然遗传算法的历史悠久,但是目前还是不断有新的方法被提出,扩宽了运用领域。
遗传算法基于达尔文的“适者生存”理论和遗传学机理的生物进化过程。算法作用于每一代的基因,而每个基因都是问题的可能解。
一般遗传算法的运用有以下4个步骤:
1.随机选择个体,并进行交叉
2.变异
3.计算适应度
4.选择下一个世代的个体
算法的停止条件一般是指定的迭代数目完成或者得到一个可靠解。
交叉算法中最简单的单点交叉,即随机选择两个基因的一个点,交换两个基因的一部分。
基因1:0 0 0 1 1 0 1 基因2:1 0 0 1 0 0 0 结果 :0 0 0 1 0 0 0 |
还有一种不错的方式是两点交叉,随机选择两个基因的两个点,交换两个点之间的部分。
变异一般用单点变异
基因1:0 1 0 0 1 0 1 结果 :0 1 0 0 0 0 1 |
用Aforge.Net实现遗传算法
我觉得Aforge.Net的优越就在于不是提供特定的实现,而是重在提供一个可以扩展的框架,方便学习和研究。
我以函数最优化为例。函数我选用:x^0.5+sin(x/23)*30 范围从0到100
先用matlab估计一下最优值
建立适应度评价函数;
遗传算法主要的类是Population类。它容纳了所有的染色体,提供了适应度评价方法、编码方式和选择方式。
这段代码的意思是适应度函数使用自定义的MyOwnFunction,编码使用二进制编码,长度为32,每个世代个体数目为40,选择方式为“精英取舍”。
这个名字很霸气,其实就是排个序,然后把不好的移除而已,代码如下;
一般情况可以使用赌轮盘的方式进行下一个世代的选择。完整代码:
效果:
基本符合,和matlab估算的值差了0.0002左右。
如果要输出最后世代的所有结果,可以使用
结果如下图:
写在最后:
1.个人觉得AForge.NET用着比matlab方便,因为它的整体架构比较统一,而不像matlab是由工具箱提供的,使用风格迥异。
2.AForge.Net的进化计算这块远远比神经网络部分完整,基本不需要自己实现什么。
3.AForge.Fuzzy中的隶属度函数的表示实现不够丰富,只实现了中间型的两种,我扩写了其他种类的,等整理好了就发出来。
本文版权归作者所有,欢迎转载,但未经作者同意必须保留此段声明,且在文章页面明显位置给出原文连接,否则保留追究法律责任的权利。
转载自夜明的孤行灯