数据挖掘算法之遗传算法.docVIP

数据挖掘算法之遗传算法 遗传算法（GA，Genertic Algorithm）是一种基于生物进化过程中自然选择与遗传机制的模拟算法，它广泛应用于机器学习、模式识别、控制系统优化及数据挖掘等领域中，在数据挖掘中它不公可以用于聚类分析，也可用于分类分析。 遗传算法的基本流程如下图： 遗传编码 由问题空间向GA编码空间的映射称为编码，反之则称为解码。遗传编码是遗传算法的基础，一般要体现两个原则： 编码方案应与问题本身相关性大，而与其它编码方案相关性小 编码方案应采用最小字符集，以使问题得到自然、简单的表示和描述 二进制编码是最基础的编码方式，应用范围非常广泛，其它编码方式有大字符集编码、序列编码、实数编码、树编码、自适应编码、乱序编码等。 适应值函数（评价函数） 是评估染色体的主要工具，其设置分为三个步骤： 确定目标函数：遗传算法中有一个求解问题的目标，而这个目标可以用一个函数来表示，这个函数就叫目标函数。目标函数应预先设定。 从目标函数到适应值函数的转换：由于目标函数的值范围不定，而适应值函数的值一般是非负数为主，以表示染色体的适应程度，因此需要建立一个由目标函数到适应值函数间的转换。 适应值调整：适应值函数计算出来的适应值需作适当调整，使其控制在一定数值区间内，以避免不同染色体间的适应值差距过大而引起的不一致性。 遗传算子 遗传算法利用遗传算子产生新一代群体来实现群体进化，算子的设计是遗传策略的主要组成部分，也是调整和控制进化过程的基本工具。 选择：按照某种策略从父代种群中选择一些染色体（不作任何改动）进入下一代种群，常用的选择算法有适应值比例选择、Boltzmann选择、排序选择、联赛选择、精英选择、稳态选择等。 交叉：随机从种群中抽取两个染色体，根据染色体位串长度L，随机选取[1, L-1]中的一个或多个的整数k作为交叉位置，然后根据交叉概率pc，实施交叉操作，即两个染色体在交叉位置处，相互交换各自的部分内容，从而形成新的一对染色体。常用的形式有一点交叉、两点交叉、多点交叉、一致交叉等。 变异：根据变异概率pm随机反转某一染色体位串中的某些位。 群体设定及初始化 群体规模对遗传算法的性能影响很大。群体规模越大，群体中个体的多样性越高，算法陷入局部解的危险性就越小，但随着群体规模增大，计算量也显著增加。若群体规模太小，使遗传算法的搜索空间受到限制，则可能产生求成熟收敛的现象。 初始群体中的个体一般是随机产生的，在实际应用中，可灵活选择。 停止准则 一般采用设定最大代数的方法，这个方法简单易行，但不太准确。也可以根据群体的收敛程度来判断，通过计算种群中的基因多样性测试，即所有基因位的相似性程度来进行控制。或者当适应值不再提高即可停止。 参数建议 遗传算法在求解过程中需要提前设定四个运算参数，它们是： M：种群大小，即种群中所含染色体的数量，一般为20~100 T：遗传运算的终止进化代数，一般为100~500 pc：交叉概率，一般取0.60~1.00 pm：变异概率，一般取0.005~0.01 三种基本算子： 选择 交叉 变异 结束 位串解码得参数 计算目标函数值 函数值向适应值映射 适应值调整 群体P(t) ( 群体P(t+1) 遗传操作 满足停止准则？ 评价群体 初始化群体P(t) 对参数集进行编码 确定实际问题参数集