遗传算法性能评价指标

信息检索题库+参考答案(终极版)

四川师范大学信息检索课后作业 1.(第1章?单选)联合国教科文组织分别于2003年和2005年召开了以（A）为主题的世界性大会，并发布了《布拉格宣言》和《亚历山大宣言》。 A、信息素养 B、信息安全 C、信息检索 D、信息评价 2.(第1章?多选)信息素养的基本构成具体包括（ABCD） A、信息知识 B、信息意识 C、信息能力 D、信息伦理 3.(第1章?多选)信息意识具体包括（ABCD）。 A、充分认识到信息在学习、工作和生活中的重要作用，遇到问题时首先应该想到通过信息的获取 4.(第1 A、 B、C、D、 5.(第1 A、 6.(第1《高 ABCD）。A、 7.(第1 A、 8.(第1 A、信息知识 B、信息能力 C、信息意识 D、信息伦理 9.(第1章?单选)（C）是指人类对信息需求的自我意识，是人类在信息活动中产生的认识、观念和需求的总和。 A、信息知识 B、信息能力 C、信息意识 D、信息伦理 10.(第1章?判断)以“走向具有信息素养的社会”为主题的《布拉格宣言》认为，作为一种适应社会的基本能力和参与社会的先决条件，信息素养能够确定、检索、评估、组织和有效地生产、使用和交流信息，并解决所遇到的问题，是终身学习的一种基本人权。√ 11.(第1章?判断)作为信息素养的基本构成，信息知识、信息意识、信息能力和信息伦理四个要素相辅相成、不可分割。其中，信息意识是先导，信息知识是基础，信息能力是核心，信息伦理是保障，四个要素共同构成了一个统一的整体。√ 12.(第1章?判断)2005年北京高教学会图书馆工作研究会提出了《北京地区高校信息素质能力指

标体系》。这个指标体系从信息意识、信息知识、信息能力、信息伦理四个方面提出了高校学生应具有的信息素养要求，具体由7个一级指标，19个二级指标，61个三级指标组成。√ 13.(第1章?判断)以“信息社会在行动：信息素养与终身学习”为主题的《亚历山大宣言》指出，信息素养和终身学习是信息社会的灯塔，照亮了通向发展、繁荣和自由的道路。-------T 14.(第1章?判断)信息素养是终身学习的核心。------T 15.(第1章?判断)信息检索能力也就是确定信息的能力，即把遇到的问题转换为具体信息需求的能力。------F 16.(第1章?判断)信息素养教育的目标是培养终身学习能力。具体而言，就是能够想到而且能够做到通过获取和利用信息解决所遇到的问题，并且能够把所获取的信息融入自身的知识结构，把获取信息的过程和经历内化为自身的学习能力。------T 17.(第2章?多选)信息的属性包括（ABCD） A、 *18.(第 A、 19.(第 A、 20.(第 A、 21.(第 A、 22.(第 A、 23.(第有（AD A、、使用 24.(第 A、 25.(第 A、 26.(第 A、 27.(第 A、 28.(第2章?多选)网络检索系统的特点是（ABC）。 A、资料丰富 B、检索方便 C、费用低廉 D、资源共享 29.(第2章?多选)使用逻辑“或”是为了（AC）。 A、提高查全率 B、提高查准率 C、扩大检索范围 D、缩小检索范围 30.(第2章?多选)截词检索中，常用的截词符号有（CD）。 A、+ B、- C、* D、? 31.(第2章?多选)下列哪种情况下检索人员需要修改检索策略（AB）。 A、检索结果中无关信息量过多 B、检索结果中输出的信息量太少 C、网速太慢，检索过程中需要的时间过长 D、检索结果文献大部分比较陈旧 32.(第2章?多选)影响检索效果的因素主要来自两个方面（CD）。 A、查全率 B、查准率 C、检索系统本身 D、检索人员的检索水平

遗传算法参数调整实验报告(精)

遗传算法参数调整实验报告算法设计：编码方案：遍历序列适应度函数：遍历路程遗传算子设计：选择算子：精英保留+轮盘赌交叉算子：Pxover ，顺序交叉、双亲双子，变异算子：Pmutation ，随机选择序列中一个染色体（城市）与其相邻染色体交换首先，我们改编了我们的程序，将主函数嵌套在多层迭代之内，从外到内依此为：过程中，我们的程序将记录每一次运行时种群逐代进化（收敛）的情况，并另外记录总体测试结果。测试环境： AMD Athlon64 3000+ (Overclock to 2.4GHz)

目标：寻求最优Px 、Pm 组合方式：popsize = 50 maxgen = 500 \ 10000 \ 15000 Px = 0.1~0.9（0.05） Pm = 0.01~0.1（0.01） count = 50 测试情况：运行近2万次，时间约30小时，产生数据文件总共5.8GB 测试结果：Px, Pm 对收敛结果的影响，用灰度表示结果适应度，黑色为适应度最低结论：Px = 0.1 ，Pm = 0.01为最优，并刷新最优结果19912（之前以为是20310），但20000次测试中最优解只出现4次，程序需要改进。 Maxgen = 5000 Pm=0.01 Px = 0.1 Maxgen = 10000 0.1 0.9 Px = 0.1 0.9 0.1

目标：改进程序，再寻求最优参数方式：1、改进变异函数，只保留积极变异； 2、扩大测试范围，增大参数步进 popsize = 100 \ 200 \ 400 \ 800 maxgen = 10000 Px = 0.1 \ 0.5 \ 0.9 Pm = 0.01 \ 0.04 \ 0.07 \ 0.1 count = 30 测试情况：运行1200次，时间8小时，产生数据文件600MB 测试结果：结论：Px = 0.1，Pm = 0.01仍为最优，收敛情况大有改善，10000代基本收敛到22000附近，并多次达到最优解19912。变异函数的修改加快了整体收敛速度。但是收敛情况对Pm并不敏感。另外，单个种群在遗传过程中收敛速度的统计，将是下一步的目标。

4遗传算法与函数优化

第四章遗传算法与函数优化 4.1 研究函数优化的必要性：首先，对很多实际问题进行数学建模后，可将其抽象为一个数值函数的优化问题。由于问题种类的繁多，影响因素的复杂，这些数学函数会呈现出不同的数学特征。除了在函数是连续、可求导、低阶的简单情况下可解析地求出其最优解外，大部分情况下需要通过数值计算的方法来进行近似优化计算。其次，如何评价一个遗传算法的性能优劣程度一直是一个比较难的问题。这主要是因为现实问题种类繁多，影响因素复杂，若对各种情况都加以考虑进行试算，其计算工作量势必太大。由于纯数值函数优化问题不包含有某一具体应用领域中的专门知识，它们便于不同应用领域中的研究人员能够进行相互理解和相互交流，并且能够较好地反映算法本身所具有的本质特征和实际应用能力。所以人们专门设计了一些具有复杂数学特征的纯数学函数，通过遗传算法对这些函数的优化计算情况来测试各种遗传算法的性能。 4.2 评价遗传算法性能的常用测试函数在设计用于评价遗传算法性能的测试函数时，必须考虑实际应用问题的数学模型中所可能呈现出的各种数学特性，以及可能遇到的各种情况和影响因素。这里所说的数学特性主要包括： ●连续函数或离散函数； ●凹函数或凸函数； ●二次函数或非二次函数； ●低维函数或高维函数； ●确定性函数或随机性函数； ●单峰值函数或多峰值函数，等等。下面是一些在评价遗传算法性能时经常用到的测试函数： (1)De Jong函数F1：这是一个简单的平方和函数，只有一个极小点f1(0, 0, 0)＝0。

(2)De Jong 函数F2：这是一个二维函数，它具有一个全局极小点f 2(1，1) = 0。该函数虽然是单峰值的函数，但它却是病态的，难以进行全局极小化。 (3)De Jong 函数F3：这是一个不连续函数，对于]0.5,12.5[--∈i x 区域内的每一个点，它都取全局极小值 30),,,,(543213-=x x x x x f 。

教学质量评价指标体系

高中生物学科教学评估指标体系为确保教学活动的深入、健康发展，有必要建立一种有效的教学质量评价体系(以下简称“评价体系”)。建立评价体系的目的是：①倡导方向——体现课程改革的思想、观念及原则，有利于促进课堂教学中学生自主学习活动的开展，突出对学生的自主学习能力和终身学习能力的培养。②引导和规范——最终目的在于促进课堂教学质量的提高。教学质量的高低是由教师教学水平的高低决定的。因此评价体系以及指标构成要素，应对教师的行为有明确的引导和规范作用，并能被广大教师接受和理解，使之成为不断改进教学的依据。③客观公正地评价教学质量——方案和体系对教师的教学质量应有直接或间接的甄别作用。因此评价指标的选择与权重的分配，要恰当处理现实与愿望的关系，既激励教师努力向上，又不挫伤教师的积极性。近年来我们在这方面进行了初步探索。 1 构建评价体系的原则及策略 1.1 先进理念与现实条件结合评价体系的各项指标要鲜明地体现课堂教学改革的思想、观念及原则，体现自主学习活动开展与自主学习能力培养的新要求。评价指标的先进性要符合现实，具有客观性。指标定得太高，可望不可及，不能被大多数教师所理解，会失去对教师的激励作用；指标定得太低，又会失去指标的先进性和倡导性，不利于促进课改深入。在策略上，一部分指标处于高水平，让教师心中始终有向上的目标；一部分指标处于较高水平，让教师

通过努力可以达到，对教师具有成功的激励作用。 1.2 共性标准与特色加分结合各项评价指标对广大教师应有普遍性，对于课堂教学质量高低应有共同一致的标准。但是，教学是一个纷繁复杂、变化万千的过程，教师的个性、特长也是千差万别的，评价体系应为教师形成自己的风格留出空间，不因统一要求而扼杀个性和特色。策略上，在统一要求、共性评价的同时，对确有特色的教师教学给予特色加分，肯定和鼓励这样的教师和这样的教学。 1.3 简略性与指导性结合教学评价是一项实践性极强的工作。因此评价体系的构成应具有很强的实用性。指标应当精简，具简略性，便于掌握和使用。但在课堂教学重视他评与自评相结合的今天，一套公开、公正、实用的评价体系不仅是评价者评价教学的依据，又必将是被评不断转变教学思想、改进教学方法、提高课堂教学质量的直接参照物。过于简略的指标体系可能便于评价者掌握与操作，但却不利于对教学的指导。策略上则在全面评价的基础上，繁简适当。从我们的评价实践来看，二级指标以10至14条为宜。 1.4 全面评价与重点评价结合教学评价有自身的规律，也有公认的标准(效果标准、工作标准、素质标准等)。全面收集信息并参与评价是保证评价科学客观的基本准则。但全面评价绝不是面面俱到，而应参照评价标准，在满足信息全面、体系客观科学的基础上，突出评价体系的先进性与倡导性，恰当选择评价指标与分配权数。在策略上，应针对当前生物学课堂教学的薄弱环节，如学生

遗传算法求解实例

yj1.m ：简单一元函数优化实例，利用遗传算法计算下面函数的最大值 0.2)*10sin()(+=x x x f π，∈x [-1, 2] 选择二进制编码，种群中个体数目为40，每个种群的长度为20，使用代沟为0.9，最大遗传代数为25 译码矩阵结构：?????????? ??????? ???? ?=ubin lbin scale code ub lb len FieldD 译码矩阵说明： len – 包含在Chrom 中的每个子串的长度，注意sum(len)=length(Chrom)； lb 、ub – 行向量，分别指明每个变量使用的上界和下界； code – 二进制行向量，指明子串是怎样编码的，code(i)=1为标准二进制编码， code(i)=0则为格雷编码； scale – 二进制行向量，指明每个子串是否使用对数或算术刻度，scale(i)=0为算术刻度，scale(i)=1则为对数刻度； lbin 、ubin – 二进制行向量，指明表示范围中是否包含每个边界，选择lbin=0或 ubin=0，表示从范围中去掉边界；lbin=1或ubin=1则表示范围中包含边界；注：增加第22行：variable=bs2rv(Chrom, FieldD);否则提示第26行plot(variable(I), Y, 'bo'); 中variable(I)越界 yj2.m ：目标函数是De Jong 函数，是一个连续、凸起的单峰函数，它的M 文件objfun1包含在GA 工具箱软件中，De Jong 函数的表达式为： ∑ == n i i x x f 1 2 )(， 512512≤≤-i x 这里n 是定义问题维数的一个值，本例中选取n=20，求解 )(min x f ，程序主要变量： NIND （个体的数量）：＝40； MAXGEN （最大遗传代数）：=500； NV AR （变量维数）：=20； PRECI （每个变量使用多少位来表示）：=20； GGAP （代沟）：=0.9 注：函数objfun1.m 中switch 改为switch1，否则提示出错，因为switch 为matlab 保留字，下同！ yj3.m ：多元多峰函数的优化实例，Shubert 函数表达式如下，求)(min x f 【shubert.m 】

google搜索引擎检索性能评价

Google搜索引擎检索性能评价 2012/12/9

Google搜索引擎检索性能评价摘要: 网络信息和信息检索技术的发展推动了搜索引擎实践的发展，使得搜索引擎评价研究成为信息检索领域的研究热点之一。本文以搜索引擎检索结果的相关性为核心指标，对Google搜索引擎的检索性能进行了评价，旨在帮助用户在利用搜索引擎时选取恰当的检索策略。关键词：搜索引擎信息检索评价相关性 Abstract: The development of Internet information and technologies of information retrieval accelerates the development of search engine. It has made the study of evaluation of search engine to be one of the popular issues in the field of information retrieval. This paper takes relevance of retrieval results as index to evaluate the performance of Google. The finding can be used to assist users in formulating an appropriate search strategy. Keywords:search engine; information retrieval; evaluation; relevance 前言研究背景：根据2012年7月由中国互联网络信息中心（CNNIC）公布的中国互联网络发展状况统计报告显示截至2012年6月底，中国网民数量达到5.38亿，互联网普及率为39.9%。伴随着如此巨大规模的网络用户而来的是海量的互联网信息，面对这些信息，用户们不免迷失于此，网络信息资源的无限增长与用户有限的效用信息需求之间的矛盾便日益凸显[1]。因此用户利用搜索引擎辅助，以尽可能得到自己所需信息也就是很自然的了。据上述报告，截至2012年6月底，搜索引擎用户规模达到4.29亿，较2011年底增长2121万人，半年增长率为5.2%；在网民中的渗透率为79.7%，使用比例与2011年6月、12月基本持平，是仅次于即时通信的第二大网络应用。但是，即使使用搜索引擎，也难免不能获取所需信息，研究表明，公认最好的搜索引擎，其检索结果中的相关信息也不会超过50%。[2]所以如何使搜索引擎用户能够获取所需信息，在信息研究领域便显得尤为重要。而这则一定离不开搜索引擎的评价研究，通过调查搜索引擎的检索性能并进行评价研究，对搜索引擎的改进将起到很大帮助。研究目的从上个世纪90年代初到现在，短短的20余年间搜素引擎的发展发生了巨大的变化，不断地有新的搜素引擎出现，同时也有一些搜素引擎退出了历史舞台。因此搜索引擎市场千变万化，要对它们全部进行评价研究还不现实。经过综合考虑搜素引擎的流行度与所占市场份额，笔者选取Google作为典型案例加以分析。Google当前以83.33%的搜索量占据搜素引擎

遗传算法的流程图

一需求分析 1．本程序演示的是用简单遗传算法随机一个种群，然后根据所给的交叉率，变异率，世代数计算最大适应度所在的代数 2．演示程序以用户和计算机的对话方式执行，即在计算机终端上显示“提示信息”之后，由用户在键盘上输入演示程序中规定的命令；相应的输入数据和运算结果显示在其后。3．测试数据输入初始变量后用y=100*(x1*x1-x2)*(x1*x2-x2)+(1-x1)*(1-x1)其中-2.048<=x1,x2<=2.048作适应度函数求最大适应度即为函数的最大值二概要设计 1．程序流程图 2．类型定义 int popsize; //种群大小 int maxgeneration; //最大世代数 double pc; //交叉率 double pm; //变异率 struct individual

{ char chrom[chromlength+1]; double value; double fitness; //适应度 }; int generation; //世代数 int best_index; int worst_index; struct individual bestindividual; //最佳个体 struct individual worstindividual; //最差个体 struct individual currentbest; struct individual population[POPSIZE]; 3．函数声明 void generateinitialpopulation(); void generatenextpopulation(); void evaluatepopulation(); long decodechromosome(char *,int,int); void calculateobjectvalue(); void calculatefitnessvalue(); void findbestandworstindividual(); void performevolution(); void selectoperator(); void crossoveroperator(); void mutationoperator(); void input(); void outputtextreport(); 4．程序的各函数的简单算法说明如下：（1）．void generateinitialpopulation ()和void input ()初始化种群和遗传算法参数。 input() 函数输入种群大小，染色体长度，最大世代数，交叉率，变异率等参数。（2）void calculateobjectvalue();计算适应度函数值。根据给定的变量用适应度函数计算然后返回适度值。（3）选择函数selectoperator() 在函数selectoperator()中首先用rand ()函数产生0～1间的选择算子，当适度累计值不为零时，比较各个体所占总的适应度百分比的累计和与选择算子，直到达到选择算子的值那个个体就被选出，即适应度为fi的个体以fi/∑fk的概率继续存在；显然，个体适应度愈高，被选中的概率愈大。但是，适应度小的个体也有可能被选中，以便增加下一代群体的多样性。（4）染色体交叉函数crossoveroperator() 这是遗传算法中的最重要的函数之一，它是对个体两个变量所合成的染色体进行交叉，而不是变量染色体的交叉，这要搞清楚。首先用rand ()函数产生随机概率，若小于交叉概率，则进行染色体交叉，同时交叉次数加1。这时又要用rand()函数随机产生一位交叉位，把染色

评价指标体系

附件3：第四届辽宁省高校思想政治理论课青年教师教学大赛评价指标体系（试行）一、教学录像评价指标体系一级指标指标说明分值思想政治注重关心大学生深层次的思想认识问题，引导大学生树立正确的世界观、人生观和价值观。 16 具有实效性、针对性。教学内容教学内容符合国家教学基本要求。 24 理论联系实际，符合学生特点。注重学术性，体现学术前沿成果，为教学目标服务。重点突出，条理清楚，内容承前启后，循序渐进。教学组织教学过程安排合理，方法运用灵活、恰当。 16 启发性强，能有效地调动学生思维、学习积极性。熟练、恰当地运用多媒体教学手段，有效提高教学质量。语言教态普通话讲课，语言清晰、准确、生动而精炼。 12 善于运用手势、表情，教态自然大方。着装整洁得体，精神饱满，亲和力强，有激情。总体印象讲授中注重教书育人。 12 教学理念先进、风格突出、感染力强。教学设计科学、教学效果明显、应变能力较强。图像清晰，画面稳定，无技术故障。总分80

二、课件评价指标体系一级指标指标说明分值教学内容1.科学性规范性：教学内容正确，具有时效性、前瞻性；无科学错误、政治性错误；无错误导向（注：出现严重科学错误和政治性错误取消参赛资格）。文字、符号、单位和公式符合国家标准，符合出版规范，课件引用的图文资料应注明来源，无侵犯著作权行为。（注：出现错别字此项为0分） 2. 知识体系：在课件标定范围内知识内容范围完整，知识体系结构合理。逻辑结构清晰，层次性强，具有内聚性。 2 教学设计1.教学理念及设计：充分发挥教师主导、学生主体的作用，注重培养学生解决问题、创新和批判能力。教学目标清晰、定位准确、表述规范，适应于大学生认知水平。重点难点突出，启发引导性强，单页信息量适中，符合认知规律，有利于激发学生主动学习。 2. 教学策略与评价：较好的人机交互，有教师和学生、学生和学生的交互、讨论。根据学习内容设计研究性或探究性实践问题，培养学生创新精神与实践能力。有和教学内容配合的各种资料、学习辅助材料或网络链接资源，引用的资源形式新颖。有对思考题的评判或学生自主学习效果的评价。 3 技术性1.运行状况：运行可靠，没有“死机”现象，没有导航、链接错误，容错性好，可移植性强，能在不同配置微机上运行。课件安装简单或不需要安装直接运行；操作方便、灵活，交互性强，链接转换时间短。 2. 设计效果：采用了和教学内容及设计相适应的多媒体软件。软件应用有较高的技术水准，用户环境友好，使用可靠、安全，素材资源符合相关技术规范。 2 艺术性1.界面设计：界面布局合理、新颖、活泼、有创意，整体风格统一，导航清晰简捷。色彩搭配协调，视觉效果好，符合视觉心理。每一个对象如窗口、按钮、菜单等外观和操作应做到一致化。 2. 媒体效果：文字、图片、音频、视频、动画切合教学主题，和谐协调，配合适当。各种媒体制作精细，吸引力强，激发学习兴趣。 2 可应用性凡参赛的课件均为非正式出版物；有使用说明；不得在课件任何位置显示参赛者单位名称及logo；课件应具备网络共享条件。 1 总分10

遗传算法

基于新的混合遗传算法的订单生产工序顺序相关的流水车间调度问题研究 A novel hybrid genetic algorithm to solve the make-to-order sequence-dependent flow-shop scheduling problem Mohammad Mirabi ?S. M. T. Fatemi Ghomi ?F. Jolai 2013年5月29号收到该文献,2014年3月18号录取,2014年4月9日出版.作者（2014）.这篇文章在开放存取的https://www.360docs.net/doc/8c15278793.html, 网站发表摘要流水车间调度问题（FSP）用于处理m台机器n个工序的流水作业。尽管FSP是典型的NP-hard问题，依然没有有效的算法以找到这个问题的最优解。为了减少库存，延迟和安装成本,在工作时间一定,序列相关的每台机器上解决流水车间调度排序问题，在这提出了一种有三个遗传算子的新型混合遗传算法（HGA）。该算法应用一种改进的方法来生成初始种群，并使用一种应用迭代交换过程改进初始解的改进启发式算法。我们认为订单式生产方式，工序间隔时间是基于最大安装成本的禁忌搜索算法的解。此外，与最近开发的启发式算法通过计算实验结果比较表明，该算法在解\的精度和效率方面表现出非常强的竞争力。关键词:混合遗传算法流水作业调度序列相关引言流车间调度问题（FSP）作为在制造业研究的主要问题已经近七十年。在一个有M台机器的流水作业车间中有m个工位,每个工序又有一台或几台机器。此外，有n个工件在m个工位上依次加工。在经典的流水作业问题里，每个工位都有一台机器，这一领域的研究吸引了最多的人次。FSP的两个主要子问题是序列独立时间设置（SIST）和顺序相关时间设置（SDST）。SDST流水作业问题更具有现实意义，但是吸引的注意力却少得多，特别是2000年以前（Allahverdi等，2008）在流水车间调度问题的目标是找到一个序列的机器加工的作业，以便一个给定的标准进行了优化。这里有n个工件在每台机器上操作的可能的顺序，以及（N！）*M个的可能处理顺序。流水作业调度的研究通常只参加置换序列，其中操作的处理顺序是所有机器。在这里，我们也采用这种限制。最小化所有最大完工时间作业（成为完工期并通过的Cmax表示）是公知的，也是在文献M. Mirabi (&) Group of Industrial Engineering, Ayatollah Haeri University of Meybod, P.O. Box 89619-55133, Meybod, Iran e-mail: M.Mirabi@https://www.360docs.net/doc/8c15278793.html, S. M. T. Fatemi Ghomi Department of Industrial Engineering, Amirkabir University of Technology, P.O. Box 15916-34311, Tehran, Iran e-mail: Fatemi@aut.ac.ir F. Jolai Department of Industrial Engineering, College of Engineering, University of Tehran, P.O. Box 14395-515, Tehran, Iran

遗传算法的参数整定报告

基于遗传算法的PID控制器参数整定报告一、遗传算法。遗传算法（GAs）是基于自然界生物进化机制的搜索寻优技术。用遗传算法来整定PID参数，可以提高优化性能，对控制系统有良好的控制精度、动态性能和鲁棒性。一般的，Gas包括三个基本要素：复制、交叉和突变。二、PID Optimal-Tuning PID控制：对偏差信号e(t)进行比例、积分和微分运算变换后形成的一种控制规律。（1）可调参数：比例度δ（P）、积分时间Ti（I）、微分时间Td（D）。通常，PID控制准则可以写成下面传递函数的形式： ) 1( ) (s T T s K s G d i p + + =（2） Kp、Ti和Td分别是比例放大率、积分时间常量和微分时间常量。 1）比例控制（P）：是一种最简单的控制方式。其控制器的输出与输入误差信号成比例关系。当仅有比例控制时系统输出存在稳态误差（Steady state error）,比例度减小，稳态误差减小； 2）积分（I）控制：在积分控制中，控制器的输出与输入误差信号的积分成正比关系。 3）微分（D）控制：在微分控制中，控制器的输出与输入误差信号()()()()? ? ? ? ? ? + + =?t e dt d T d e T t e K t u d t i p0 1 τ τ

的微分（即误差的变化率）成正比关系。文中，性能指标是误差平方的时间加权积分，表示为： ),,1,0(,0 2n k dt e t J i t k ==? （3）其中n 是非负整数，i t 是积分周期。此外，其他标准项如超调量、上升时间和稳定时间也被一个合成性能指标选择： ))(1(s s r r c t c t c os J ++= （4） s r os t t 、、分别代表超调量、上升时间和稳定时间。s r c 、c 两个系数有用户定义或决定。预期的性能指标的最下化可以认为是小的超调量、短的上升时间和稳定时间。三个PID 参数的编码方式如下： 10101011:S 1010100011100111 p K i K d K p K 、i K 和d K 都是八位二进制字符格式。自适应函数的选择关系到性能指标，如： 101)(J J F F == （5）实际上，)(J F 可以是任何一个能切实表达F 和J 关系的非线性函数。遗传操作是模拟生物基因遗传的操作，从优化搜索的角度而言，遗传操作可使问题的解一代一代地优化，并逼近最优解，主要包括三个遗传算子：选择、交叉和变异。关于他们的具体方法这里不在赘述。三、计算机实现作者编程使用的事TURBO C 。程序包括两个部分：一个是仿真PID 控制系统的闭环阶跃响应；另一个是实施对一代所有成员的遗传算法的仿真，这里遗传算法将一代作为一个整体。在第一代生物的二进制代码随机产生之后，这个过程重复直至迭代次数达到预选的次数。步长、PID 参数X 围、性能指标、自适应函数和方法得时间延迟都是从一个文件中读取。而遗传算法的的参数，诸如世代数、交叉概率、变异概率、选择概率等通过菜单选择。整个闭环系统仿真的完成可以用四阶龙格库塔法或直接时域计算。在程序中,复制的实现是通过轮盘赌博法的线性搜索，面积加权于上一代成员的适应值。交叉发生在每一对复制产生的成员。交叉操作是将一个随机产生的一个在0到1之间数与交叉概率比较决定是否需要交叉。如果需要交叉，则在1到47之间随机产生一个交叉位置代码。变异，对新一代所有成员都随机产生一个0到1之间的数与变异概率比较，然后再决定是否改变代码的一位。同理，反转也是这样判定和操作的。另一需要说明的事，两个反转位置代码是在1~48之间随机选择的。同样，

经济效果评价体系总结

经济效果评价指标体系总投资收益率投资收益率(仅适用于达产期内）静态分析资本金净利润率静态投资回收期（返本期）盈利能力分析 (分析对象为方案）财务内部收益率(仅适用于常规方案，即）动态分析财务净现值确定性分析利息备付率（已获利息倍数）偿债备付率借款偿还期偿债能力分析经济效果评价(分析对象为企业）资产负债率流动比率速动比率盈亏平衡分析（量本利分析）不确定性分析敏感性分析 1 / 5

2 / 5 投资收益率：衡量（技术方案获利水平）的评价指标公式：00100I A R ?= R —投资收益率；A —年净收益额或年平均净收益额；I —投资判别标准：若C R R ≥，技术方案可以考虑接受；反之技术方案不可行（c R —基准投资收益率）总投资收益率（ROI ）：衡量整个方案的获利能力公式：00100TI EBIT ROI ?= （高于同行业的收益率参考值，表明方案盈利能力满足要求）投资收益率 EBIT —运营期内年（平均）息税前利润；TI —总投资（=建设投资+建设期贷款利息+全部流动资金) 资本金净利润率（ROE ）：衡量方案中资本金的获利能力静态分析公式：00100EC NP ROE ?= （高于同行业的净利润率参考值，表明方案盈利能力满足要求） NP —运营期内年（平均）净利润，净利润=利润总额-所得税；EC —资本金优：计算简便，意义明确、直观劣：①未考虑时间因素，忽视了时间价值；②具有一定的不确定性和人为因素，主观性较强；③主要用在技术方案制定的早期阶段或研究过程，且计算期短，不具备综合分析所需详细资料的技术方案静态投资回收期（返本期）：不考虑资金时间价值，以技术方案的的净收益回收总投资所需时间，以年为单位（了解即可）公式：0) (0=-∑=t P t t CO CI t P —静态投资回收期；CI —现金流入量：CO —现金流出量：t ）（CO -CI —第t 年净现金流量判别标准：若c t P P ≤，技术方案可以考虑接受；反之，不可行（c P :基准投资回收期）优：计算简便，显示了资本的周转速度劣：没有考虑整个计算期内现金流量，只考虑回收之前的效果

论文-遗传算法的基本步骤

遗传算法遗传算法（Genetic Algorithm）是基于进化论的原理发展起来的一种广为应用，高效的随机搜索与优化的方法。它从一组随机产生的初始解称为“种群”，开始搜索过程。种群中的每个个体是问题的一个解，成为“染色体”是一串符号。这些染色体在每一代中用“适应度”来测量染色体的好坏, 通过选择、交叉、变异运算形成下一代。选择的原则是适应度越高,被选中的概率越大。适应度越低，被淘汰的概率越大。每一代都保持种群大小是常数。经过若干代之后，算法收敛于最好的染色体，它很可能是问题的最优解或次优解。这一系列过程正好体现了生物界优胜劣汰的自然规律。比如有编号为1到10的特征，现在要选取其中的5个，基于遗传算法的特征选择可以如下这样直观的理解：下续（表格）下续……

即设有4个不同的初始特征组合，分别计算判别值，然后取最大的2个组合（[1,2,3,4,9]和[1,3,5,7,8]）进行杂交，即互换部分相异的特征（4和7），得到新的两个特征组合（[1,2,3,7,9]和[1,3,4,5,8]）,然后再计算这两个新的组合的判别值，和原来的放在一起，再从中选择2个具有最大判别值的组合进行杂交。如此循环下去，在某一代的时候就得到了一个最好的特征组合（比如第2代的[1,3,5,7,9]的特征组合）。当然，在实际中每代的个体和杂交的数量是比较大的。遗传算法的具体的步骤如下：

1.编码：把所需要选择的特征进行编号，每一个特征就是一个基因，一个解就是一串基因的组合。为了减少组合数量，在图像中进行分块（比如5*5大小的块），然后再把每一块看成一个基因进行组合优化的计算。每个解的基因数量是要通过实验确定的。 2.初始群体（population）的生成：随机产生N个初始串结构数据，每个串结构数据称为一个个体。N个个体，构成了一个群体。GA以这N个串结构数据作为初始点开始迭代。这个参数N需要根据问题的规模而确定。 3.交换(crossover)：交换（也叫杂交）操作是遗传算法中最主要的遗传操作。由交换概率( P)挑选的每两个父代 c 通过将相异的部分基因进行交换（如果交换全部相异的就变成了对方而没什么意义），从而产生新的个体。可以得到新一代个体，新个体组合了其父辈个体的特性。交换体现了信息交换的思想。 4.适应度值(fitness)评估检测：计算交换产生的新个体的适应度。适应度用来度量种群中个体优劣（符合条件的程度）的指标值，这里的适应度就是特征组合的判据的值。这个判据的选取是GA的关键所在。

遗传算法的计算性能的统计分析

第32卷第12期2009年12月计算机学报 CH INESE JOURNA L OF COMPU TERS Vol.32No.12 Dec.2009 收稿日期:2008210219;最终修改稿收到日期:2009209227.本课题得到国家自然科学基金(60774084)资助.岳嵚,男,1977年生,博士研究生,主要研究方向为进化算法.E 2mail:yueqqin@si https://www.360docs.net/doc/8c15278793.html,.冯珊,女,1933年生,教授,博士生导师,主要研究领域为智能决策支持系统. 遗传算法的计算性能的统计分析岳嵚冯珊 (华中科技大学控制科学与工程系武汉 430074) 摘要通过对多维解析函数的多次重复计算并对计算结果进行统计分析来讨论遗传算法的可靠性和可信度,结果表明:遗传算法的计算结果具有一定的稳定性,可以通过采用多次重复计算的方法提高计算结果的可信度,并用以评价算法及其改进的实际效果.关键词遗传算法;计算可靠性;置信区间中图法分类号TP 18 DOI 号:10.3724/SP.J.1016.2009.02389 The Statistical Analyses for Computational Performance of the Genetic Algorithms YU E Qin FENG Shan (Dep artment of Contr ol Science and Eng ineering ,H uazhong University of Science and T ech nology ,W u han 430074) Abstr act In this paper,the author s discuss the reliability of the GAs by reiteratively computing the multi 2dimensional analytic functions and statistical analysis of the results.The analysis re 2sults show that the GAs have certain stability;it could improve the reliability by reiteratively computation and estimates the effects of improvements. Keywor ds genetic algorithms;computational stability;confidence interval 1 遗传算法的随机性遗传算法是将生物学中的遗传进化原理和随机优化理论相结合的产物,是一种随机性的全局优化算法[1].遗传算法作为一种启发式搜索算法,其计算结果具有不稳定性和不可重现性;遗传算法的进化过程具有有向随机性,整体上使种群的平均适应度不断提高.现在学术界对遗传算法中的某些遗传操作的作用机制还不十分清楚,遗传算法的许多性能特点无法在数学上严格证明.遗传算法的计算过程会受到各种随机因素的影响,如随机产生的初始种群和随机进行的变异操作等,尤其初始种群对计算结果影响较大.但另一方面,大量的实算结果表明,遗传算法的计算结果具有一定的规律性,在统计意义上具有一定的可靠性,这样就可以对待求解问题进行多次重复计算后取平均值的方法,提高遗传算法在实际计算中的准确性和可信度. 包括遗传算法在内的启发式搜索算法主要用于解决大型的复杂优化问题,这些问题一般难以使用传统的优化算法解决.遗传算法对这类问题的计算结果也难达到精确的最优解.这给对用遗传算法解决实际工程优化问题的计算结果的评价带来了困难,在实际工程计算中也难以评价遗传算法及其改进型的计算效果的优劣. 为了分析遗传算法的计算性能,本文采用的计算对象是一个复杂的多维解析函数.使用这类函数评价遗传算法计算性能的好处是可以事先通过其他方法求得最优解,这样便于评价遗传算法及其改进型的计算效果.本文从统计学角度对多次重复计算的结果进行分析,试图得到遗传算法的稳定性和可信度方面的相关结论,通过分析遗传算法及其改进

遗传算法实验报告

遗传算法实验报告专业：自动化姓名：张俊峰学号：13351067 摘要：遗传算法，是基于达尔文进化理论发展起来的一种应用广泛、高效的随机搜索与优化方法。本实验利用遗传算法来实现求函数最大值的优化问题，其中的步骤包括初始化群体、个体评价、选择运算、交叉运算、变异运算、终止条件判断。该算法具有覆盖面大、减少进入局部最优解的风险、自主性等特点。此外，遗传算法不是采用确定性原则而是采用概率的变迁规则来指导搜索方向，具有动态自适应的优点。关键词：串集最优化评估迭代变异一：实验目的熟悉和掌握遗传算法的运行机制和求解的基本方法。遗传算法是一种基于空间搜索的算法，它通过自然选择、遗传、变异等操作以及达尔文的适者生存的理论，模拟自然进化过程来寻找所求问题的答案。其求解过程是个最优化的过程。一般遗传算法的主要步骤如下：（1）随机产生一个确定长度的特征字符串组成的初始种群。。（2）对该字符春种群迭代地执行下面的步骤a和步骤b，直到满足停止准则为止： a计算种群中每个个体字符串的适应值； b应用复制、交叉和变异等遗传算子产生下一代种群。（3）把在后代中表现的最好的个体字符串指定为遗传算法的执行结果，即为问题的一个解。二：实验要求已知函数y=f（x 1,x 2 ,x 3 ,x 4 ）=1/(x 1 2+x 2 2+x 3 2+x 4 2+1),其中-5≤x 1 ,x 2 ,x 3 ,x 4 ≤5, 用遗传算法求y的最大值。三：实验环境

操作系统：Microsoft Windows 7 软件：Microsoft Visual studio 2010 四：实验原理与步骤 1、遗传算法的思想生物的进化是以集团为主体的。与此相对应，遗传算法的运算对象是由M个个体所组成的集合，称为群体。与生物一代一代的自然进化过程相类似，遗传算法的运算过程也是一个反复迭代过程，第t代群体极为P（t），进过一代遗传和进化后，得到第t+1代群体，他们也是由多个个体组成的集合，记做P（t+1）。这个群体不断地经过遗传和进化操作，并且每次都按照有优胜劣汰的规则将适应度较高的个体更多地遗传到下一代，这样最终在群体中将会得到一个优良的个体X，它所对应的表现性X将达到或接近于问题的最优解。 2、算法实现步骤 ①、产生初始种群：产生初始种群的方法通常有两种：一种是完全随机的方法产生的，适合于对问题的解无任何先验知识的情况；另一种是将某些先验知识转变为必须满足的一组要求，然后在满足这些要求的解中再随机地选择样本，t=0,随机产生n个个体形成一个初始群体P（t），该群体代表优化问题的一些可能解的集合； ②适应度评价函数：按编码规则，将群体P（t）中的每一个个体的基因码所对应的自变量取值代入目标函数，算出其函数值f，i=1,2,…,n,f越大，表示该个体有较高的适应度，更适合于f所定义的生存环境，适应度f为群体进化提供了依据； ③选择：按一定概率从群体P（t）中选出m个个体，作为双亲用于繁殖后代，产生新的个体加入下一个群体P（t+1）中。此处选用轮盘算法，也就是比例选择算法，个体被选择的概率与其适应度成正比。 ④交叉（重组）：对于选中的用于繁殖的每一个个体，选择一种交叉方法，产生新的个体；此处采取生成随机数决定交叉的个体与交叉的位置。 ⑤变异：以一定的概率Pm从群体P（t+1）中随机选择若干个个体，对于选中的个体随机选择某个位置，进行变异； ⑥对产生新一代的群体返回步骤③再进行评价，交叉、变异如此循环往复，使群体中个体的适应度和平均适应度不断提高，直至最优个体的适应度达到某一限值或最优个体的适应度和群体的平均适应度不再提高，则迭代过程收敛，算法结束。五：实验结果实验结果的显示取决于判断算法终止的条件，这里可以有两种选择：1、在程序中设定迭代的次数；2在程序中设定适应值。本实验是在程序中实验者输入需要迭代的次数来判断程序终结的。