基本遗传算法c课件.pptVIP

遗传算法 主要内容 概述 基本遗传算法 遗传算法的数学理论 应用举例 概述 遗传算法（Genetic Algorithms）是基于生物进化理论的原理发展起来的一种广为应用的、高效的随机搜索与优化的方法。 1975年美国霍兰(Holland)教授发表了第一本比较系统论述遗传算法的专著《自然系统与人工系统中的适应性》(《Adaptation in Natural and Artificial Systems》)。该书系统地阐述了遗传算法的基本理论和方法。 概述 遗传算法，从数学角度看，是一种概率性搜索算法；从工程学角度看，它是一种自适应的迭代寻优过程。它从某一随机产生的或者特定的初始群体出发，按照一定得操作规则，不断的迭代计算，并根据每一个个体的适应度，保留优良品种，淘汰次品，引导搜索过程向最优解逼近。 遗传算法的主要特点是直接对结构对象进行操作；具有内在的隐并行性和较好的全局寻优能力；采用概率化得寻优方法。 基本遗传算法 基本遗传算法（simple genetic algorithms, SGA）只使用选择算子、交叉算子和变异算子这三种基本遗传算子。其遗传进化操作简单，容易理解，是其他遗传算法的雏形和基础。 基本遗传算法的构成要素主要有：染色体编码，个体适应度评价，遗传算子以及遗传参数设置等。 基本遗传算法的构成要素 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。初始种群众各个个体的基因值可用均匀分布的随机数来生成。如： X = 001011011001110010 就可表示一个个体，该个体的染色体长度是 n = 18。 基本遗传算法的构成要素 2、适应度函数 基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正或零。这样，根据不同种类的问题，必须预先确定好由目标函数到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法。 基本遗传算法的构成要素 3、遗传算子 基本遗传算法使用下述三种遗传算子： （1）选择算子 按照某种策略从父代中挑选个体进入中间群体，如使用比例选择。 （2）交叉算子 随机地从中间群体中抽取两个个体，并按照某种交叉策略使两个个体相互交换部分染色体码串，从而形成两个新的个体。如使用单点交叉。 （3）变异算子 按照一定的概率，改变染色体中某些基因的值。 （4）基本遗传算法的运行参数 选择算子-比例选择方法 比例选择算法是一种回放式随机采样的方法。其基本思想是：各个个体被选中的概率与其适应度大小成正比。 设某一代的群体大小为n，某一个体得适应度值为 ，那么它被选中的概率为： 选择算子-比例选择方法 将每个串的选取概率画在一张轮盘上。 每转动一次轮盘，指针落入串i所占区域的概率为 ，当 比较大时，串i被选取的概率就比较大。当某一个体被选中时，它就完全复制产生下一代。 交叉算子 交叉算子有一点交叉、二点交叉、多点交叉和均匀交叉。 一点交叉如下进行： （1）在染色体中随机选择一个点作为交叉点； （2）第一个父辈的交叉点前的串和第二个父辈交叉点后的串组成一个新的染色体，第二个父辈的交叉点前的串和第一个父辈交叉点后的串组成另一个新的染色体。例如，下面两个进行交叉： 11010 ﹨∕ 01100101101 yxyyx ﹨∕ yxxyyyxyxxy 形成新的串11010yxxyyyxyxxy和yxyyx01100101101 替代生成他们的父辈串放入中间群体。 变异算子 对于基本遗传算法中二进制编码符号串所表示的个体，若需要进行变异操作的某一基因值为0，则变异操作将该基因值变为1；反之，若原有基因值为1，则变异操作将其变为0。 基本位变异算子的具体执行过程： （1）对个体的每一个基因座，依变异概率 指定其为变异点； （2）对每一个指定的变异点，对其基因值做取反运算或用其他等位基因来代替，从而产生出一个新的个体。 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 20 ~ 100 。 T： 遗传运算的终止进化代数， 一般取为 100 ~ 500。 ：交叉概率，一般取为 0.4~0.9. ：变异概率，一般取为 0.0001~ 0.1. 注：这4个运行参数对遗传算法的求解结果和求解效率都有一定的影响，但目前尚无合理选择它们的理论依据。在遗传算法的实际应用中，往往需要经过多次试算后才能确定出这些参数合理的取值大小或取值范围。 基本遗传算法 一般遗传算法的主要步骤如下： （1）随机产生一个由确定长度的特征字符串组成的初始种群。