人工智能遗传算法.pptVIP

遗传算法举例 例：求函数的最大值 其中x为[0, 31]间的整数 编码：采用二进制形式编码 由于x的定义域是[0, 31]间的整数，刚好可以用5位二进制数表示，因此可以用5位二进制数表示该问题的解，即染色体。如00000表示x＝0，10101表示x＝21，11111表示x＝31等 适应函数: 直接使用函数f(x)作为适应函数。 假设群体的规模N＝4，交配概率pc＝100％，变异概率pm＝1％。 设随机生成的初始群体为： 01101，11000，01000，10011 选择方法：“确定性”法 第0代情况表 序号 群体 适应值 选择概率（％） 期望次数 选中次数 1 01101 169 14.44 0.58 1 2 11000 576 49.23 1.97 2 3 01000 64 5.47 0.22 0 4 10011 361 30.85 1.23 1 第0代种群的交配情况 序号 种群 交配对像 交配位 子代 适应值 1 01101 2 4 01100 144 2 11000 1 4 11001 625 3 11000 4 2 11011 729 4 10011 3 2 10000 256 序号 群体 适应值 选择概率（％） 期望次数 选中次数 1 01100 144 8.21 0.33 0 2 11001 625 35.62 1.42 1 3 11011 729 41.56 1.66 2 4 10000 256 14.60 0.58 1 第1代情况表 序号 种群 交配对像 交配位 子代 适应值 1 11001 2 3 11011 729 2 11011 1 3 11001 625 3 11011 4 1 10000 256 4 10000 3 1 11011 729 第1代种群的交配情况 序号 种群 交配对像 交配位 子代 适应值 1 11011 2 3 11001 625 2 11101 1 3 11111 961 3 10000 4 2 10001 289 4 11011 3 2 11010 676 第2代种群的交配情况 最大适应值、平均适应值进化曲线 遗传算法的特点  （1）遗传算法是一个随机搜索算法，适用于数值求解具有多参数、多变量、多目标等复杂的最优化问题。 （2）遗传算法对待求解问题的指标函数没有什么特殊的要求，比如不要求诸如连续性、导数存在、单峰值假设等。甚至于不需要显式的写出指标函数。 （3）在经过编码以后，遗传算法几乎不需要任何与问题有关的知识，唯一需要的信息是适应值的计算。也不需要使用者对问题有很深入的了解和求解技巧，通过选择、交配和变异等简单的操作求解复杂的问题，是一个比较通用的优化算法。 （4）遗传算法具有天然的并行性，适用于并行求解 收敛性定理： 如果在代的进化过程中，遗传算法每次保留到目前为止的最好解，并且算法以交配和变异为其随机化操作，则对于一个全局最优化问题，当进化代数趋于无穷时，遗传算法找到最优解的概率为1。