2

当我们将遗传算法（GA）的结构与粒子群优化（PSO）的结构进行比较时，可以说：

  1. GA 中的人口 = PSO 中的 Swarm。

  2. GA中的染色体（潜在解决方案）= PSO中的粒子（潜在解决方案）。

  3. GA中染色体的基因= PSO中粒子的坐标。

4

1 回答 1

0

您必须知道 GA（遗传算法）和 PSO（粒子群优化）都属于进化计算。这两种进化启发式是基于种群的搜索方法。

好像，我们考虑原始 GA 的情况（我什至不是在谈论稍微修改的 GA，这里）。它受到遗传学和进化原理的启发，它模仿了在生物种群或环境中观察到的繁殖行为。它遵循“适者生存”的原则来选择和生成适应环境或约束的后代。然而，如果我们谈论 PSO。它的灵感来自于在鱼群和鸟群中观察到的行为。他们如何利用他们的认知和集体力量对外部刺激做出反应或表现（以达到适应度函数的最大值或最小值）？

PSO 被认为是对 GA 的改进，因为计算所需结果所需的时间更少。然而，由于易于实施和理解，GA 仍然被许多人和公司使用。

现在，让我们讨论一下您的问题：

  1. GA 中的人口 = PSO 中的 Swarm ？

我认为答案是肯定的，但并非总是如此。因为在某些情况下，我们不能直接用 PSO 来表示总体，但我们可以用 GA 来表示它。例如 - 如果我们考虑离散向量表示，那么我们可以轻松地使用 GA，但在将向量输入 PSO 算法之前，我们必须进行一些修改。

  1. GA中的染色体（潜在解决方案）= PSO中的粒子（潜在解决方案）？

也许，你可能是对的。但是让我提醒你为什么我们使用 EC 技术？因为，问题的可能解决方案的数量（通过使用 EC 技术解决）通常具有非常多的状态空间。而且，我们只考虑它的一小部分作为我们的输出或结果。因此，即使我们达到了所需的基准，我们也不能确定结果是否匹配。

  1. GA中染色体的基因= PSO中粒子的坐标？

我们都知道 GA 本质上是为评估离散向量表示而设计的，而 PSO 在具有连续变量的无约束问题上表现最好。因为，原始 PSO对局部最大值或最小值不是很免疫。因此，它有时可能会在约束条件下显示过早收敛。这在 GA 中很少见（由于突变）。所以，我会说不。遗传算法中染色体的基因并不总是粒子群算法中粒子的坐标。

编辑：

你能给我一个简单的例子吗：“......在将向量输入 PSO 算法之前，我们必须做一些修改。”

因为我已经告诉过你，GA 本质上是为离散评估而设计的，而 PSO 在连续变量的情况下效果更好。让我们考虑一个案例。我们得到了一系列的0and 1。我们要满足给定的适应度函数f(x)来终止循环。众所周知，0和1是两个离散的数字。因此，在应用交叉或突变时（在 GA 的情况下），我们将获得离散输出。之后，我们将此输出输入适应度函数以检查其强度。如果它在 f(x) 中幸存下来，那么我们会将输出推送到下一代。

但是在 PSO 的情况下，我们一般会考虑位置向量或这种情况下的一串 '0' 和 '1'，以及速度向量或将数字更改为相反数字的概率（表示更改0为的概率，1反之亦然）。现在，假设将值0变为1is0.6和1变为0is的概率0.3。然后在应用概率分布时，我们将得到一个过渡状态，该状态要么成立，要么0具有1一定程度的概率。换句话说，即将到来的状态将包含介于0和被包含的值1，这本身是不正确的。而且，因为我们只期望离散数字。因此，我们必须在下面放置一些基准0.5将是0（零）及以上0.5将是1（一）。而且，现在这个基准或修改后的输出将用作下一代的输入。

于 2016-02-12T11:00:32.467 回答