人工智能及其应用 教学课件 作者 孔月萍 周继 chapter6_071103.ppt

人工智能及其应用 第六章 遗传算法 内容提要： 遗传算法及其数学基础 遗传算法的设计 改进的遗传算法 协进化算法 6.1 遗传算法及其数学基础 标准遗传算法及基本术语 模式定理 标准遗传算法及基本术语 标准遗传算法基本流程： 参数编码 初始群体设定 适应度函数的设计 遗传操作: 选择、交叉、变异 控制参数设定 进化停止准则 模式定理 模式 基于三值字符集{0,1,*}所产生的可描述某种结构相似性的字符串称为模式。模式是描述个体字符串集的模板。 模式的阶 模式H中确定位置（位）的个数称为该模式的阶，记为O(H)。 模式的定义距 模式H中第一个确定位置和最后一个确定位置之间的距离称为该模式的定义距，记为 。 模式定理 选择操作对模式的影响 交叉操作对模式的影响 变异操作对模式的影响 模式定理 经选择、交叉、变异操作后,子代中模式H的数目为： 模式定理 6.2 遗传算法的设计 编码 初始群体设定 适应度函数 选择算子 交叉算子 变异算子 6.3 改进的遗传算法 微种群算法 双种群算法 自适应遗传算法 微种群算法 双种群算法 自适应遗传算法 6.4 协进化算法 协进化算法基本流程 代表个体的选择 协进化算法基本流程 协进化算法基本流程 协进化算法基本流程 代表个体的选择 代表个体的选择 代表个体的选择 自适应选择法 最优选择法和随机选择法的结合。 * * 模式定理： 在遗传算子选择、交叉和变异的作用下，具有低阶、短定义距以及平均适应度高于群体平均适应度的模式，在子代中将以指数级增长。 积木块假设： 低阶、短距、高平均适应度的模式（积木块）在遗传算子的作用下相互结合，能生成高阶、长距、高平均适应度的模式，并最终生成全局最优解。 模式定理保证了较优模式的样本数呈指数级增长，从而满足了寻找最优解的必要条件，即遗传算法存在着寻找全局最优解的可能性。而积木块假设则指出，遗传算法具备寻找到全局最优解的能力，即积木块在遗传算子的作用下，能生成高阶、长距、高平均适应度的模式，并最终生成全局最优解。 编码 二进制编码 十进制编码 Gray编码 多参数映射编码 可变长度染色体编码 多维染色体编码 初始群体设定 群体规模的确定: 群体规模大→个体多样性高→陷入局部解的危险小。但是规模太大→计算量加大。 如果群体规模小→遗传算法在搜索空间中的分布范围受限→搜索过程可能提前停止于未成熟阶段(引起未成熟收敛) →必须保持群体的多样性。 初始群体设定 初始群体的生成： 遗传算法中，初始群体中的个体可以根据具体的编码方法、在尽可能满足群体多样性的前提下随机产生。 先随机生成一定数目的个体，然后从中挑选出性能优良的个体加入到群体中。重复该过程，直至满足群体规模。 适应度函数 将目标函数映射为适应度函数： 如果待求解问题是使目标函数最小，则GA中可采用如下变换： 当原目标函数是求最大化的利润或效用函数时，可以按照下式变换： 适应度函数 适应度调整： 线性调整 线性调整出现非负现象 选择算子 适应度比例法: 也称为轮盘赌法。群体中适应度值大的个体被选择的概率大，而适应度值低的个体被选择概率低。 选择算子 最佳个体保存法(精英选择法): 群体中适应度最高的个体不经过遗传操作，直接复制到下一代群体中群体中。 排序选择方法: 根据适应度的大小对个体进行排序，然后把事先设计好的概率表分配给个体，作为各自的选择概率。 个体的选择概率与其适应度无直接关系，仅与其在群体中的排序相关。 选择算子 联赛选择方法: 从群体中任意选择一定数量的个体（称为联赛规模），将其中适应度最高的个体保存到下一代。反复执行该过程，直到保存到下一代的个体数目达到预先设定的数目为止。联赛规模一般取2。 交叉算子 单点交叉 多点交叉 交叉算子 一致交叉 通过屏蔽字来决定新个体对父辈个体基因位的继承。 屏蔽字可以随机生成，由于概率的因素，会使模式被破坏的机率增加。 变异算子 基本变异算子 对二值编码，随机选择c个基因位作为待变异位置，然后根据设定的变异概率pm 对这些基因位的值进行取反操作，即1变为0，0变为1。 逆转变异算子 随机挑选两个逆转点，然后将两个逆转点之间的基因值按变异概率逆向排列。 变异算子 自适应变异算子 变异概率不固定，它随群体中个体的多样性自适应调整。群体多样性越大，变异概率越小；多样性越差，变异概率越大。 如：可根据交叉所得的两个新个体的Hamming距进行