遗传算法(max).pptVIP

Genetic Algorithm 任课老师： 小组成员： 演 讲： 资料收集、 程 序： 遗 传 算 法 Genetic Algorithm 主要内容 1、遗传算法的发展 2、遗传算法的基本术语 3、遗传算法的特点 4、基本遗传算法SGA 5、应用举例 6、遗传算法的运行参数 7、约束条件的处理方法 1.遗传算法的发展 1) 从20世纪40年代，生物模拟就成为了计算科 学的一个组成部分； 2) 20世纪50年代中期创立了仿生学； 进入60年代后，美国Michigan 大学教授Holland及其学生创造出遗传算法； 关键人物的主要贡献 Bagley，Rosenberg，Weinberg，Hollstien，Holland，DeJong，Goldberg，Davis，Koza 2.遗传算法的基本术语 生物界： 生物的遗传物质的主要载体是染色体； 基因是控制生物性状的遗传物质的功能单位和结构单位。复数个基因组成染色体，染色体中基因的位置称作基因座(Locus)，而基因所取的值叫做等位基因(Alleles)。 基因和基因座决定了染色体的特征，也就决定了生物个体的性状。此外，染色体有两种相应的表示模式，即基因型(Gene type)和表现型(Phenotype)。所谓表现型是指生物个体所表现出来的性状，而基因型是指与表现型密切相关的基因组成。 2.遗传算法的基本术语 对于求函数最大值的优化问题： 式中 为决策变量， 为n维欧式空间， 为约束条件， 为目标函数。 遗传算法中，求函数的极大值可以用适应度代替目标函数。适应度是生物个体对环境适应程度，用来评估生物群体中每个个体适应环境所表现出的不同生命力，从而决定其遗传机会的大小。 优化问题： 2.遗传算法的基本术语 一定数量的个体组成了群体(Population)，也叫集团。 遗传算法的运算对象是由M个个体所组成的集合称为群体。 群体中个体的数目称为群体的大小(Population size)，也叫群体规模。 各个体对环境的适应程度叫做适应度(Fitness)，个体的适应度与其对应的个体表现型的目标函数值相关联。 好坏程度 2.遗传算法的基本术语 生物界 遗传算法 染色体 基因 等位基因 基因座 基因型 表现型 决策变量(矢量)或编码的字符串 矢量的分量值或字符串中的字符 矢量的分量的可能值或字符串中的可能字符 矢量的分量位置或字符串中字符位置 矢量(变量)的编码结构 矢量(变量)的解码结构 3.遗传算法的特点 对问题的编码(染色体)群进行进化； 从问题解的码串集开始搜索； 使用对象函数值(即适应值)进行搜索； 复制、交叉、变异算子都是概率操作，利用了概率搜索技术； 隐含并行性； 搜索复杂区域； 可以保证全局收敛 对可行域要求不苛刻 4.基本遗传算法SGA 染色体编码方法 ； 初始群体的生成 ； 个体适应度函数值评价 ； 遗传算子 比例选择算子； 一点交叉； 基本位变异； 遗传算法的运算基本流程 4.基本遗传算法SGA 染色体编码方法 ： 由于遗传算法不能直接处理解空间的解数据，必须通过编码将它们表示成遗传空间的基因型串结构数据。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。如： X = 10011100100 就可以表示一个个体，该个体的染色体长度是n = 11。 4.基本遗传算法SGA 初始群体的生成 ： 由于遗传算法群体型操作的需要，必须为遗传操作准备一个由若干初始解组成的初始群体。需要说明的是，初始群体的每个个体都是通过随机方法产生的。 4.基本遗传算法SGA 个体适应度函数值评价 ： 评估函数值又称作适应度(Fitness)。首先要把基因型个体译码成表现型个体，即搜索空间中的解。 个体的适应度越大，该个体被遗传到下一代的概率也越大；反之，个体的适应度越小 要求所有个体的适应度必须为正数或零，不能是负数。 4.基本遗传算法SGA 个体适应度函数： 求目标函数最小值转化为最大化 求函数最大值，并且目标函数总取正值时 对于求目标函数最大值的优化问题 4.基本遗传算法SGA Cmin为一个适当相对比较小的数： (1) 预先指定的一个较小的数； (2) 进化到当前代为止的最小目标函数值； (3) 当前代或最近几