9、遗传算法与图像分类算法的研究与分析

遗传算法与图像分类算法的研究与分析

在解决设施布局问题和图像分类问题时，不同的算法展现出了各自的特点和优势。下面将分别介绍针对设施布局问题的遗传算法研究以及图像分类中的机器学习算法评估。

设施布局问题的遗传算法研究

为了确定各种因素对响应变量的影响，进行了一个 3³ 析因实验设计。该实验设计有助于为各因素在多个水平中选择最佳选项。响应变量是布局的总成本，包括流量和安装成本。与解决方案质量相关的三个因素被确定为交叉概率、变异概率和代数。每个因素又分为三个水平，具体如下表所示：
| 因素 | -1 水平 | 0 水平 | 1 水平 |
| — | — | — | — |
| 交叉概率 (Pc) | 0.7 | 0.8 | 0.9 |
| 变异概率 (Pm) | 0.05 | 0.1 | 0.2 |
| 代数 (NGen) | 5 | 10 | 20 |

交叉概率和变异概率的影响

最初，在使用不同水平的交叉或变异概率时，未发现显著差异。因此，通过查阅近期文献，确定了待评估的交叉概率水平为 0.7、0.8 和 0.9，变异概率为 0.05、0.1 和 0.2。这些水平可避免算法过早收敛到次优解。
分析遗传算法在目标函数（总成本）方面的行为，以评估其在不同代数或迭代次数下的收敛性。当 Pc = 0.7 时，算法没有明显的收敛迹象；当 Pm = 0.2 时，总成本值趋于改善，而当 Pm = 0.1 时，初始解没有得到改善。总成本值在 Pc = 0.7 与 Pm = 0.05 时为 132467 美元到 Pc = 0.7 与 Pm = 0.1 时的 177456 美元之间变动。
当 Pc = 0.8