进化计算简介和遗传算法的实现--AForge.NET框架的使用(六)

长平狐 发布于 2013/11/25 11:38
阅读 942
收藏 1

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 Exssion 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。

s3

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

s3

先用matlab估计一下最优值

output

建立适应度评价函数;

public class MyOwnFunction : OptimizationFunction1D
{
public MyOwnFunction()
: base( new AForge.Range( 0, 100))
{
}

public override double OptimizationFunction( double x)
{
return Math.Sqrt(x)+ Math.Sin(x/ 23)* 30;

}
}

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。

MyOwnFunction f = new MyOwnFunction();
Population population = new Population( 40, new BinaryChromosome( 32),f, new EliteSelection());

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;

public class EliteSelection : ISelectionMethod
{
/// <summary>
/// Initializes a new instance of the <see cref="EliteSelection"/> class.
/// </summary>
public EliteSelection( ) { }

/// <summary>
/// Apply selection to the specified population.
/// </summary>
///
/// <param name="chromosomes"> Population, which should be filtered. </param>
/// <param name="size"> The amount of chromosomes to keep. </param>
///
/// <remarks> Filters specified population keeping only specified amount of best
/// chromosomes. </remarks>
///
public void ApplySelection( List<IChromosome> chromosomes, int size )
{
// sort chromosomes
chromosomes.Sort( );

// remove bad chromosomes
chromosomes.RemoveRange( size, chromosomes.Count - size );
}
}

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:

Console.WriteLine( " Start! ");
MyOwnFunction f = new MyOwnFunction();
Population population = new Population( 40,
new BinaryChromosome( 32),f, new EliteSelection());
population.RunEpoch();
double goodX=f.Translate(population.BestChromosome);
Console.WriteLine( " Best Chromosome === >{0} ", goodX);
Console.WriteLine( " Best Result === >{0} ", f.OptimizationFunction(goodX));
Console.WriteLine( " Over! ");
Console.ReadLine();

效果:

data

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

for ( int i = 0; i < population.Size; i++)
{
Console.WriteLine( " chromosome{0} == >{1} ", i, f.Evaluate(population[i]));
}

结果如下图:
data2

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。


原文链接:http://www.cnblogs.com/htynkn/archive/2012/02/29/AForge_6.html
加载中
返回顶部
顶部