人工智能第七章 遗传算法1.pptVIP

第7章 遗传算法 7.1 遗传算法简介 7.2 基本遗传算法 7.3 函数优化 7.4 旅行商问题 7.1 遗传算法简介 染色体（Chromosome）：染色体是指对个体进行编码后所得到的编码串。染色体中的每1位称为基因，染色体上由若干个基因构成的一个有效信息段称为基因组。 适应度（Fitness）函数：适应度函数是一种用来对种群中各个个体的环境适应性进行度量的函数。其函数值是遗传算法实现优胜劣汰的主要依据 遗传操作（Genetic Operator）：遗传操作是指作用于种群而产生新的种群的操作。标准的遗传操作包括以下3种基本形式： 选择（Selection） 杂交（Crosssover） 变异（Mutation） 7.1.3 设计遗传算法的基本步骤 procedure genetic program begin initialize //种群初始化 evaluate //评价种群 while ( not termination-condition) do begin select from //选择个体到下一种群 alter //对种群进行遗传操作 evaluate end end 7.2 基本遗传算法 遗传算法的基本步骤 7.2.2 适应性的度量 个体的适应值即是它繁殖的能力，它将直接关系到其后代的数量，在遗传算法中，适应函数是用来区分群体中个体好坏的标准，是算法演化过程的驱动力，同时也是进行自然选择的唯一依据。 原始适应函数 原始适应函数是问题求解目标的直接表示，通常采用问题的目标函数作为个体的适应度量 。 定义原始适应函数的方法可能不止一种，选择时要尽量反映问题本身整体特性，而不能只追求片面的目标 。 标准适应函数 适应值会出现两种情形，一是极小情形即原始适应值越小个体性能越好；另一种是极大化情形即原始适应值越大个体性能越好 。 遗传算法中的某些选择策略则要求适应函数是非负的，而且适应值越大表明个体的性能越好。 对于极小化情形，标准适应值可定义为 ： 适应值的调节 存在问题：过早收敛、停滞现象 改变算法性能的方法之一是对适应值进行调节，即通过变换，改变原适应值的比例关系。 7.2.3 选择策略 不同的选择策略将导致不同的选择压力，即下一代中父代个体的复制数目的不同分配关系。 转盘式选择 转盘式选择是基于适应值比例的选择中比较重要的选择策略。 先计算个体的相对适应值 = 根据选择概率 把一个圆盘分成N份 生成一个内的随机数 r(0≤r≤1)，若 ，则选择个体 i 0 1 1 0 1 = x=13 = f(x) = 169 1 1 0 0 0 = x=24 = f(x) = 576 0 1 0 0 0 = x=8 = f(x) = 64 1 0 0 1 1 = x=19 = f(x) = 361 169+576+64+361=1170 用轮盘赌选择个体时，各个个体的被选择的概率为：0.1444，0.4923，0.0547，0.3085； 制作转盘：0-0.1444；0.1445-0.6367；0.6368-0.6914；0.6915-1； 7.2.3 选择策略 基于排名的选择 首先根据个体 的适应值在群体中的排名来分配其选择概率 。 根据这个概率使用转盘选择 线性排名选择 线性排名选择方法是按适应值大小从好到坏依次排列为 ，然后根据一个线性函数分配选择概率 。 7.2.4 遗传算子的设计 杂交算子 杂交运算是指对两个相互配对的染色体按某种方式相互交换其部分基因，从而形成两个新的个体。 单点杂交：称为简单杂交，它是指在个体编码串中只随机设计一个杂交点，然后在该点相互交换两个配对个体的部分染色体。 7.2.4 遗传算子的设计 双点杂交与多点杂交 双点杂交是指在个体编码串中设置了二个杂交点，然后再进行部分基因交换。 7.2.4 遗传算子