数学建模-遗传算法中适应度函数的研究.zip

基于简单遗传算法的灰度图像二值化，采用的适应度函数为类间距最小、类内距最大，经过简单的修改可以处理任意格式的文件。

一、目标与适应函数的简单对比 目标函数就是你希望得到的优化结果，比如函数最大值或者最小值。而适应度函数是为了计算个体的适配值。 适配值是非负的，而且要求适配值越大则该个体越优越。而目标函数则有正有负，它们之间关系多种多样，比如求最小值时，目标函数最小，则适配值越大，求最大值时目标值越大，适配值越大。 目标函数Object function和适应度函数Fitness function是不一样的概念，有时为了方便后续计算在适应度函数中做些 拉伸，取反，什么的。 目标函数是你求解的优化变量的函数形式；而适应度函数是你求解的优化变量的一种度量，是一种更为广义的概念。可以这么理解，目标函数只是适应度函数的一种，也可以有其他的表达形式。 对于目标函数，为了得到好的搜索性能，经过一些变化就可以得到适应度函数。另外就是这些变化可以不唯一的。 二、适应度函数 适应度函数跟 想要实现什么功能有关，把粒子对应成你问题的候选解，适应度函数用来评价给出的这个候选解（粒子）的好坏（好坏的评价标准需要一个量化指标，也就是，粒子的适应度值） 适应度用于评价个体的优劣程度，适应度越大个体越好，反之适应度越小则个体越差;根据适应度的大小对个体进行选择，以保证适应性能好的个体有更多的机会繁殖后代，使优良特性得以遗传。因此，遗传算法要求适应度函数值必须是非负数，而在许多实际问题中，求解的目标通常是费用最小，而不是效益最大，因此需要将求最小的目标根据适应度函数非负原则转换为求最大目标的形式

用于matlab中遗传算法函数的适应度函数的排序选择使适应度函数最小化

matlab平台 适应度函数的设计 作为寻优的依据

适应度函数

一种求解高维约束优化问题的γ—PSO算法 PSO算法，约束优化问题，适应度函数，全局极值，局部极值

粒子群算法的适应度函数

matlab中遗传算法 针对传动比进行优化的适应度函数，可以进行学习和研究

通过分析遗传算法中常见的几种适应度函数的不足,论证了适应度函数在遗传算法中的重 要性,提出了设计适应度函数应满足的标准,在此基础上给出了一适应度函数公式. 实验结果表 明:此适应度函数的性能明显优于其它函数,对提高遗传算法的整体性能也有重要意义.