遗传算法基础入门.pptVIP

遗传算法基础简介 遗传算法是一类借鉴生物界的进化规律（适者生存，优胜劣汰）演化而来的随机化搜索方法。 由美国J.Holland教授在1975年提出 的。 特点： 遗传算法的处理对象不是参数本身，而是经过编码后的个体。 不是传统的单点搜索法，而是同时处理群体中的多个个体，减少了陷入局部最优解的风险。 遗传算法只用适应度函数来评价个体，不受不可连续可微的约束。 遗传算法采用概率变迁来指导搜索方向 具有自组织、自适应和自学习性。 应用领域： 组合优化 多目标优化 模糊优化 可靠性设计 调度问题 高级运输问题 网络设计与路径 制造元设计 机器学习 信号处理 自适应控制 人工生命 遗传算法中的基本概念 对于一个求函数最大值 的优化问题，一般可描述为下述数学规划模型： 式中， 为决策变量，即由n个遗传基因组成的一个染色体， 为目标函数 群体：又称种群，代表问题的解空间子集 遗传算法的基本运算步骤： a)初始化:设置最大进化代数T，群体大小M，交叉概率pc变异概率pm，随机生成M个个体作为初始群体P(0)。 b）染色体编码：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。 c)个体评价:计算群体P(t)中各个个体的适应度。 d)选择运算:将选择算子作用于群体。根据染色体对应的适应值和问题的要求，筛选种群P(t)中的染色体，染色体的适应度越高，保存到P(t+1)的概率越大，反之则越小，甚至被淘汰。 e)交叉运算；将交叉算子作用于群体。将群体P(t)内的个体随机搭配成对，对每一个个体，以某个概率（称为交叉概率，crossover rate）交换它们之间的部分染色体。 f)变异运算:将变异算子作用于群体。对群体P(t)中的每一个个体，以某一概率（称为变异概率，mutation rate）改变某一个或某一些基因座上的基因值为其它等位基因。 群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。 g)终止条件判断:找出进化过程中所得到的具有最大适应度个体，当达到最大进化代数T，选出最优解输出，终止计算。 基本遗传算法的运行参数 ● M：群体大小，即群体中所含个体的数量，一般取为100~200。 ● T：遗传运算的终止进化代数，一般取为500~100。 ● pc：交叉概率，一般取为0.4~0.6 ● pm：变异概率，一般取为0.001~0.1 染色体编码方法 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。初始种群各个个体的基因值可用均匀分布的随机数来生成。 如： 用10位二进制来编码 若编码为：0000110101，其十进制值为：53 转换成变量域的实际值为：53*10/1023 适应度值计算 适应度函数一般即选取目标函数，要求适应度必须为正或零。因此需注意目标函数值为负数时的处理方法 方法一：对于求目标函数最大值的优化问题，变换方法为： 方法二：对于求目标函数最小值的优化问题，变换方法为： 选择 目标：把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代 常用的选择算子有：适应度比例算法，随机遍历抽样法，局部选择法。 这里介绍一个比例选择算子 所谓比例选择算子，是指个体被 选中并遗传到下一代群体中的概率与该个体的 适应度大小成正比。 比例选择算子的具体执行过程是： (a)先计算出群体中所有个体的适应度的总和； (b)其次计算出每个个体的相对适应度的大小，它即为各个个体被遗传到下一代群体中的概率； 设给定的规模为n的群体{X1 , X2 ,…, Xn }，个体Xj 适应度为F(Xj ),则其选择概率为 (c)最后再使用模拟赌盘操作（即0到1之间的随机数）来确定各个个体被选中的概率 轮盘赌操作 在此方法中，各个个体的选择概率和其适应度值成比例。 设群体大小为n,其中个体i的适应度为s, i被选择的概率为P(i)。 概率反映了个体i的适应度在整个群体的个体适应度总和中所占的比例，个体适应度越大，其被选择的概率就越高 为了选择交配个体，需要进行多轮选择，每一轮产生一个【0，1】之间均匀随机数，将该随机数作为选择指针来确定被选个体。个体被选后，可随机地组成交配对，以供后面的交叉操作。 交叉——核心作用 所谓交叉，即指把两个父代个体的部分结构加以替换重组而生成新个体的操作。 交叉算子根据交叉概率pm将