第4章基于遗传算法的随机优化搜索.pptVIP

人工智能 变异 就是改变染色体某个(些)位上的基因。 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 步5 按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1； 步6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2； 上述遗传算法，只是遗传算法的基本步骤，所以我们称其为基本遗传算法，与简单遗传算法（Simple Genetic Algorithm，SGA）基本一致。 在简单遗传算法的基础上，现在已派生出了遗传算法的许多变形，形成了遗传算法家族。 在应用遗传算法解决实际问题时，还需给出结构模式的以下几方面： 表示方案：通常把问题的搜索空间的每一可能的点，编码为一个看作染色体的字符串，字符通常采用二进制数0、1. 适应度计算法方法：根据实际问题而定。 终止条件 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361 再计算种群S1中各个体的选择概率。 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） TSP问题的矩阵编码 下述矩阵表示一个可能解，其中行表示不同的城市，列表示城市的访问顺序，并默认最后一个城市访问之后访问第一个城市。 一个n*n位二进制向量，所有可能编码数为2n*n，而一个对称的n城市旅行商问题的可能解数为n！/2，只占编码个数非常小的比例。 可能解在整个状态空间中，是非常稀疏的，这样的编码方式，将导致求解效率低下。 TSP问题的整数编码及交叉规则 采用1到n的排列来表示一个可能解，即所谓的整数编码。 为保证交叉的结果仍然是TSP问题的可能解，常用的方法有： 常规交叉法 基于次序的交叉法 基于位置的交叉法 基于部分映射的交叉法 常规交叉法 设有父代1和父代2，交配后产生子代1和子代2。随机选取一个交配位，子代1交配位之前的基因选自父代1交配位之前的基因，交配位之后的基因，从父代2中按顺序选取那些没有出现过的基因。子代2也进行类似的处理。 交叉位 父代1： 1 2 3 4 5 6 7 8 父代2： 5 2 1 7 3 8 6 4 子代1：1 2 3 4 5 7 8 6 子代2：5 2 1 7 3 4 6 8 基于次序的交叉法 对于两个选定的父代染色体父代1和父代2，首先随机选定一组位置。设父代1中与所选位置对应的数字依次为x1、x2、…、xk，然后从父代2中也找到这k个数字，并从父代2中把它们去除，这样的父代2中就有k个空位。用x1、x2、…、xk依次填入父代2的空位置中，就得到了交配后的一个子染色体子代1.采用同样的方法处理父代1，可以得到另一个染色体子代2. 父代1： 1 2 3 4