遺傳算法
關注創建者：鄭政 創建時間：2017-02-23
遺傳算法的視頻教程
遺傳算法優化BP神經網絡與神經網絡遺傳算法程序視頻
主要內容包括：BP神經網絡算法工具箱三個函數功能與語法，BP神經網絡算法應用于非線性函數擬合與預測問題，遺傳算法三個算子與函數ga功能及語法，遺傳算法應用于尋求多個極值點的最小值解問題，遺傳算法優化BP神經網絡算法流程與3個模塊與程序分析，遺傳算法優化BP神經網絡算法求解擬合及預測問題，遺傳算法優化BP神經網絡算法分析自己實際數據與程序通用，GAOT工具箱函數處理GA優化BP分析預測及識別應用問題，
￥168 1小時21分鐘 935播放
查看
遺傳算法原理及其matlab編程詳細講解—輕松快速入門啟發式優化算法
內容大綱： 1、遺傳算法概述 2、遺傳算法的生物學基礎 3、應度函數和個體評價 4、遺傳算法的實現步驟 5、MATLAB編程基礎 6、基礎遺傳算法的代碼詳解 7、遺傳算法在matlab環境中實操 8、問題解答（Q&A）
￥19.9 53分鐘 163播放
查看
遺傳算法優化應用案例講解及編碼技巧
通過這個課程，學習者不僅能夠獲得遺傳算法的理論知識，還能夠通過實踐加深理解，為將來解決優化問題做好準備。 內容大綱： 1、遺傳算法概述 2、遺傳算法的基本內容回顧 3、遺傳算法應用1--商旅問題 4、遺傳算法應用1—多人商旅問題 5、遺傳算法應用1—增加約束的多人商旅問題 6、編碼和解碼技巧 7、問題解答（Q&A）
￥19.9 53分鐘 85播放
查看
遺傳算法的實例教程
遺傳算法方面論文 01<BR><Font color=#FF0000><B>.PS.:</B>該帖附件于2007-07-29 09:02:41被向陽評為4星級，為發貼者加分80。</Font><BR><Font color=#FF0000><B>點評:</B></Font>
SECTAM18.pdf
避免近親繁殖的遺傳算法.pdf
多目標優化遺傳算法的收斂性定義及實例研究.pdf
防止遺傳算法成熟前收斂的有效方法英.PDF
改進遺傳算法在非線性熱傳導參數識別中的應用.PDF
基于純數值函數優化的一種混合遺傳算法.pdf
基于擴展串的等價遺傳算法的收斂性.PDF
基于擴展串的等價遺傳算法的收斂性.PDF
基于遺傳算法的微機電系統魯棒性優化設計.pdf
基于遺傳算法的支持向量機時間序列預測模型優化.pdf
均勻設計法在GA欺騙問題中的應用研究.pdf
求解全局最優化的遺傳 算法的研究.pdf
十進制遺傳算法的收斂性分析.PDF
演化算法的收斂性分析及算法改進.PDF
一種全局優化算法遺傳算法_單純形法.pdf
遺傳模擬退火算法在約束求解中的應用.pdf
遺傳算法的早熟收斂.pdf
遺傳算法機理的研究.pdf
展開 多目標優化之非支配排序遺傳算法（NSGA-II） ￥39.99
遺傳算法GA ( Genetic Algorithms)是受生物學進化學說和遺傳學理論的啟發而發展起來的，是一類模擬自然生物進化過程與機制求解問題的自組織與自適應的人工智能技術，是一種借鑒生物界自然選擇和自然遺傳機制的隨機的搜索算法，由Holland教授于1975年提出。
經過十幾年的努力，遺傳算法不論是在應用研究上，算法設計上，還是在基礎理論上，均取得了長足的發展，己經成為信息科學、計算機科學、運籌學和應用科學等諸多學科所共同關注的熱點研究領域。
遺傳算法雖然在過去的20年中得到了廣泛的應用，但研究人員己經意識到，遺傳算法采用簡單的、固定不變的進化策略對復雜應用場合的效果并不理想，傳統的遺傳算法逐漸暴露出一些缺點。所以，為了提高遺傳算法的性能，使其更好地應用于實際問題的解決中，研究者們開始對基本遺傳算法進行改進，通過不同的遺傳基因表達方式，不同的交叉和變異算子的選擇，特殊算子的引用，以及不同的再生和選擇方法，產生了以基本遺傳算法為核心的各種算法。遺傳算法的這些擴展和改進給一般問題特別是工業工程中的難以求解的優化問題帶來了新的希望和方向。
由于多目標優化問題在科學和工程實踐中普遍存在，但又缺少確實有效的解決方法，研究人員把目光投向了具有多方向和全局搜索特點的遺傳算法。遺傳算法的這一基本特點可以確保帶有潛在解的種群能夠一代一代地維持下來，這種從種群到種群的方法對于搜索Pareto解非常有益，因此，利用遺傳算法解決多目標優化問題極具研究意義。于是，遺傳算法應用于單目標問題之后的20多年以后，多目標遺傳算法逐漸成為研究熱點。
展開 在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 180
12.3 路徑跟蹤法 184
12.4 MATLAB優化工具箱函數應用實例 187
12.5 小結 190
第3篇 優化計算高級篇 191
第13章 粒子群優化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權重改進的粒子群算法 200
13.4.1線性遞減權重法 200
13.4.2自適應權重法 203
13.4.3隨機權重法 206
13.5學習因子改進的粒子群算法 208
13.5.1同步變化的學習因子 209
13.5.2異步變化的學習因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結 230
第14章 遺傳優化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數標定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應遺傳算法 245
14.7雙切點交叉遺傳算法 248
14.8多變異位自適應遺傳算法
展開 本文在傳統遺傳算法基礎上，對其進行改進優化，提出了精英保留的協同進化遺傳算法，并分別以30、50和75個城市為例，對二者進行對比。該算法的運行流程如圖1所示。
圖1 協同進化遺傳算法運行流程
產生初始種群后（設種群數量為POP），便按照適應度值（即總路程倒數）高低將其分為三個子種群，其中，子種群1的適應度值最大，子種群3的適應度值最小。接著，在各個子種群內部進行交叉變異操作，依次產生新子種群1、新子種群2、新子種群3。同時，三個子種群兩兩之間，也進行交叉變異操作，依次產生新子種群4、新子種群5、新子種群6。最后便將這6個新子種群進行組合，然后從中隨機挑選出POP-1個個體，并根據精英保留策略，將其與父代最優個體相合并，從而得到新種群、開始下一代的操作。
以30、50、75個城市為例，分別進行10次重復試驗，取各次試驗兩種算法最優解的平均值進行對比，結果如圖2所示。
圖2 兩種算法的尋優結果對比
顯然，同傳統遺傳算法相比，協同進化遺傳算法具備更強大的最優解搜索能力，尤其當城市數量較多時（如此例中的75），其能更有效地避免陷入局部最優，從而找到全局最優的解、使得總路程更小。以75個城市數量為例，兩種算法所確定的最優路徑分別如圖3(a)與3(b)所示。
(a) 傳統遺傳算法
(b) 協同進化遺傳算法
圖3 兩種算法所確定的最優路徑對比
圖3中，橫軸縱軸分別為每個城市的橫縱坐標，圖中的數字即為每個城市的編號。顯然，協同進化遺傳算法所確定的最優路徑更為規整，這表明其同傳統遺傳算法相比，具有更強的全局尋優能力，且具備更好的魯棒性。
最后，有相關算法需求，歡迎通過微信公眾號聯系我們。
展開 
遺傳算法的相關專題、標簽、搜索
遺傳算法的最新內容
論文中提到的GS算法、混合遺傳迭代爬山算法等，均可在專業設計工具中實現集成應用：
仿真流程：輸入入射與目標輸出光場參數，依托論文相關傅里葉變換理論，通過專業設計工具調用對應迭代算法，優化DOE相位分布并仿真對比不同算法的整形效果。
首先利用LS-DYNA提取關鍵區域力學特征并借助時空分解進行系統解耦；隨后結合遺傳算法與目標級聯法進行參數反演，鎖定地板下部結構的最優剛度與阻尼；最后利用響應面模型完成下部結構（模塊化組件）優化設計，最終實現eVTOL地板加速度峰值的降低。該方法融合了LS-DYNA仿真與LPM快速迭代優勢，為航空器適墜性設計提供了高效的正向量化設計手段。
仿真優化：遺傳算法與有效介質理論
為降低3D FDTD仿真的計算成本，團隊采用有效介質理論（EMT）簡化模型，結合遺傳算法優化結構參數（如孔周期、齒尺寸等）。仿真結果顯示，峰值耦合效率達-2.37 dB（58%），3 dB帶寬30 nm。
圖4 光柵耦合器的耦合效率和背向反射
2.
用于光導的二元光柵優化
利用VirtualLab Fusion中的嚴格傅里葉模方法(FMM)和optiSLang的遺傳算法，我們演示了一種用于光導耦合的二元光柵在理想視場(FOV)下的優化。
多尺度建模算法（FE2, RVE）
微結構到宏觀力學
利用代表體積單元（RVE）統計微觀響應，需并行計算
復合材料失效準則算法
Hashin、Puck、Cuntze、Tsai-Wu 等
層內與層間失效預測
拓撲優化與遺傳算法
挑戰/需求
基于遺傳算法，利用響應面優化方法對Pin針結構參數進行優化，尋優時間縮短至24h以內，優化方案相比于傳統結構最高改善幅度達76%
PIN針作為連接IGBT模塊與PCB板的電流導通關鍵部件，其在溫度循環工況下的結構可靠性直接決定光伏逆變器的性能安全與運行穩定性。
模塊連接可靠性仿真優化及AI技術應用探索
作品簡介：基于PCB板+IGBT模塊+散熱器總成精細化熱-固耦合仿真模型，精準復現整機由于各層結構CTE不同導致的“呼吸效應”熱變形，定位溫度循環引起的動載荷變化是導致Pin針焊層疲勞失效的根本原因；隨后將Pin針結構在Creo中進行參數化驅動建模，借助Creo-Workbench Interface接口，實現Workbench完全調用Creo尺寸參數功能；基于遺傳算法
索力優化基礎平臺：
模型內置斜拉索初應變參數化接口（1-40、111-150號單元為斜拉索單元），可直接集成優化算法（如影響矩陣法、遺傳算法），實現成橋狀態索力自動調整。
1.2.4.
在得到響應面模型后，以結構前五階頻率為目標函數，采用遺傳算法對目標函數進行優化求解，得到修正后的參數值及誤差，見表13。
表13 修正前后參數誤差
得到修正后的參數值，將修正后參數值代入有限元模型并進行模態分析，得到修正前后前5階固有頻率，并將試驗值、修正前后的仿真值進行對比，分析其固有頻率的相對誤差，如表14及圖5所示。
優化算法也由簡單的準則法發展到數學規劃法，進而發展到遺傳算法等。
在保證產品達到某些性能目標并滿足一定的約束條件的前提下，通過改變某些允許改變的設計變量，使產品的指標或性能達到最期望的目標，就是優化方法。
