摘要:如何为一个问题创建一个适应度函数,其中我希望最小化一个量(质量),但对其他量有限制(最大加速度和最大速度需要小于某个值)?此外,我将如何得到一个遗传算法,以实际改变模型中的参数(将在下面解释更多)。
上下文:我正在做一个项目(火箭模拟),在那里我想让火箭安全着陆,尽量减少燃料的使用,并确保最大限度。加速和速度对里面的宇航员是安全的。用户控制的唯一东西是给定高度下所需速度的形式:v= f(x)。也许,我可以把我的问题分为以下几部分:
1)如果不输入f(x)的形式,是否有可能使遗传算法形成自己的“优化”函数?
2)如果可能的话,我将如何实现成本函数?-一些搜索使我找到某种形式:健身=(权重)*mass_fuel_left-对每个违反的约束进行惩罚。
3)如果我能够得到一个函数,我如何才能让程序在不同的迭代过程中运行?
(这是为MATLAB或Python编写的-我已经有了用于模拟的工作代码,但我只想探索这个可能的扩展)
我非常感谢你对有用的资料来源的任何帮助或指导。
发布于 2019-08-17 22:05:13
我不知道你的系统是如何工作的,但我想你只是给程序提供了一个给定的函数,它模拟着陆,跟踪重要的参数,如燃料质量,最大加速度和速度,对吗?所以,就像模拟本身是某种黑匣子,你不知道引擎盖下到底是如何工作的。如果是这样的话,你基本上只要拿出一个函数,把它输入模拟,它就会告诉你它是否通过了,油箱里还剩下了多少燃料。
在这种情况下,您的健身功能非常简单:
function fitness(Fx) {
result = simulate(Fx);
if(!result.pass) return -1;
return result.fuelLeft;
}这只是伪代码,基本上它以我们的遗传算法样本f(x)函数作为输入,然后用它进行仿真:如果模拟没有通过(宇航员死亡),那么样本是不好的(请记住,杀人并不是一种惩罚,这是永远不会发生的事情,所以当他们死的时候,样本甚至不应该运行以供选择),如果模拟通过,那么最好的函数就是保证更多的油箱中剩余燃料的函数。不管他们的宇航员是否做得很好,只要他们还活着,你就不会在意实际的最大加速度/速度。
因此,健身功能很容易得到(就像你经常看到的那样,你应该尽量保持它的简单),但最困难的部分是想出不同的功能,这些功能实际上是有意义的,并且有机会让前几代人更好。记住,当您使用优化算法时,您首先应该找到一个可行的解决方案,然后再“环顾”该解决方案,使其更好。遗传算法在特定的情况下所做的就是跨越一个样本种群,给出可能可行的解决方案,然后选择最优的方法来确定下一代。后代是通过突变或繁殖(或两者都)来决定的。定义突变和育种功能实际上是相当困难的,我认为这是一个非主题的问题,但最终您的程序步骤应该如下所示:
迭代融合
https://stackoverflow.com/questions/57539824
复制相似问题