首页 理论教育如何选择合适的适应度函数:遗传算法的优缺点及解决方案

如何选择合适的适应度函数:遗传算法的优缺点及解决方案

【摘要】:主要思想就是通过选择合适的适应度函数,采用遗传算法的选择、交叉和变异准则进行不断地筛选,直到结果达到规定的指标为止。其优点是得到的解是全局的,是在所选适应度函数下的最优解;缺点是由于计算中要反复变异实验,计算量较大,而且适应度函数的数学模型建立不同,结果也将不同,甚至差别很大,如何确定合适的适应度函数是遗传算法的关键。

遗传算法是在20世纪70年代初期由美国Michigan大学的Holland教授发展起来的,它是一种模仿生物进化过程的结构型随机搜索。主要思想就是通过选择合适的适应度函数,采用遗传算法的选择、交叉和变异准则进行不断地筛选,直到结果达到规定的指标为止。其优点是得到的解是全局的,是在所选适应度函数下的最优解;缺点是由于计算中要反复变异实验,计算量较大,而且适应度函数的数学模型建立不同,结果也将不同,甚至差别很大,如何确定合适的适应度函数是遗传算法的关键

神经网络是模仿和延伸人脑认知功能的新型智能信息处理系统,它是由大量的简单处理单元(即神经元)所构成的一个巨复杂的非线性自适应动力学习系统。基于神经网络的FIR数字滤波器设计的主要思想是使神经网络输出的幅频特性与理想幅频特性之间的全局误差在通带和阻带范围内最小。神经网络是按照FIR线性相位滤波器的四种形式,以加权余弦作为神经元,以频率采样点作为输入,相应的幅频响应作为输出来建立的。其优点是在通带内没有过冲和波动现象,可得到大的阻带衰减;缺点是阻带中波纹数较多,过渡带较宽。神经网络的解也是全局的,但目标函数的选取以及解的唯一性是神经网络算法的存在的两个理论问题。