GAOT 之參數設定

一個標準的遺傳演算法可處理可能解(個體)的一個集合(群集)的問題。

每一個體為搜尋空間的點，所以遺傳演算法能作為一個多維空間的多點最佳化技術。

通常群集大小範圍從20 至 200 或 300。傳統的方法需要一個起點開始最佳化。通常 最終解的性質，相當依賴搜索空間的起點位置。選擇一個起點扮演明顯的角色在尋找 許多局部最佳解問題的解答。遺傳演算法，提供了許多解答，並可以同時搜索多個點，

沒有太多缺點。預設大部分參數，驅動演化的過程，如交換率，突變率。

於以下介紹這些參數如何設置：

1.群集參數

a.群集大小(Population size)

育種池的遺傳群集大小，即群集中充滿的個體，如果這個參數設定過低，將不會 有足夠的各種不同的個體來解決問題。但若有太多的個體，一個良好的解決方案將耗 時才能找到，因為必須計算出每一代其每一個體的適應度函數，通常，介於20 至 200 個個體可得到不錯之結果，通常群集大小設為 50，為一個好的初始群集，最大可以 選擇至2000。

b.染色體長度(Chromosome length)

染色體的長度大小表示為多少個基因在染色體裡(對於連續的染色體)。轉化成在 電腦裡可維持變數的位元數。更多的位元數代表更高之精確解。例如，決定要找到Y

= X 最低的值, X 在-5 和 5 之間，我們已經事先知道答案為零。但若染色體的長度是 8 位元，那麼可能的解在“區間”範圍內是： 1 / 256 或約 0.0039，因為-5 映射到 0，而 5 映射到 255，且有一個偶數(256)的位置，那麼，最接近零的可以得到+ -0.0039 / 2 = + -0.00195。如果染色體的長度是 32 位元，最好的解會更接近+ -0 .0000000001，因 此，32 位元的解可能會更準確。

2

2.進化參數(Evolution Parameters) a.交換率(Crossover rate)

交換率的機率是該交叉運算子適用於在一個世代的某一特定染色體。這些機率的 範圍從0 到 1 之間。交換率設定為 0.9 的情況下，其結果通常是不錯的。

b.突變率(Mutation rate)

突變率的機率該為變異運算子適用於在一個世代的某一特定染色體。突變率的範 圍在0.001 到 0.05 通常是合理的，而預設的 0.01，適用於廣泛的問題。

演化的過程為一個迴圈，因此必須設定停止執行的判斷，用以表示演化結束。停

止的時機通常可以參考兩個項目，一個是時間成本，一個是收斂程度。時間成本直接 受演化代數影響，若希望演算在可預期的時間內結束，可以將演化代數設為固定值。

收斂程度則較為彈性，當某一代的族群，其染色體的適應值趨近一致的時候，則停止 演化。兩者並沒有絕對的好壞，可根據需要而選用，亦可同時採用，即演化進行到某 個代數之前，停止條件參考的是收斂程度，而最多進行到該代數為止，使得演化能在 可預期的時間中結束，GAOT 的演化流程如圖 3.5。

圖3.5 遺傳演算法之演化流程

第四章 研究案例