人工智能原理及应用 教学课件 作者 罗 兵 第7章 计算智能.ppt

7.4 遗传算法 7.4.2 遗传算法的基本原理 如果设m(H,t)表示在t代群体中存在图式H的串的个数， 表示在t代群体中所包含的图式H的串的平均适应值， 表示在t代群体中所有串的平均适应值，1表示串的长度， 为交换率， 为突变率，则有 这就是所谓的Holland图式定理。 7.4 遗传算法 7.4.2 遗传算法的基本原理 （2）初始群体的生成 遗传算法的工作基础是选择适当的方法对个体和问题的解（作为进化的个体）进行表示。SGA要求个体均以0、l组成的中来表示，且所有个体串都是等长的。当然，也可以用任意指定的有限元素组成的串来表示个体，而不影响遗传算法的基本算法。 7.4 遗传算法 7.4.2 遗传算法的基本原理 2．群体的评价 对群体中各个体的适应性评价通常需要直接利用待优化问题的目标函数。这一目标函数也可称为适应函数，个体选择（或再生）过程正是基于这一函数来评价当前群体中各个体的再生概率。适应函数的构造对参加交换和突变操作的个体选择极为重要，例如，可以将串中的各元素的和作为适应度值来构造一个评价函数。 7.4 遗传算法 7.4.2 遗传算法的基本原理 3．个体选择 个体选择就是从群体中选择出较适应环境的个体。并利用这些选中的个体繁殖下一代。故有时也称这一操作为再生（Reproduction）。选择个体的方法通常依据个体对环境的适应度（Fitness）作为评价依据。适应度（目标函数值）较大的个体有较高的概率生存，即在下一代群体中再次出现。 7.4 遗传算法 7.4.2 遗传算法的基本原理 3．个体选择 一种常用的个体选择方法是按比例选择，即若个体i的适应度（目标函数值）是f(xi)，则个体i在下一代群体中复制（再生）的子代个数在群体中的比例将为： 7.4 遗传算法 7.4.2 遗传算法的基本原理 4．交换操作 交换操作又称交叉操作或杂交操作，是遗传算法中最主要的遗传操作。该操作在所选中的用于繁殖下一代的个体中，对两个不同的个体（串对）的相同位置的基因进行交换，从而产生新的个体。 7.4 遗传算法 7.4.2 遗传算法的基本原理 4．交换操作 在SGA算法中，通常采用的交换方法是单点交换。设串长为L，交换操作将随机选择一个交换点（对应于0~L-1的某个位置序号)进行互换，从而产生了两个新串。 例如，设A1和A2为要交换的串，交换点被随机选择为7（串长为10）。 交换得新串 7.4 遗传算法 7.4.2 遗传算法的基本原理 5．突变操作 突变操作又称变异操作，一般在交换操作后执行。该操作对选中的个体（即串或“染色体”）中的某些基因执行异向转化。在表示某一个体的串中，如果某位基因为1，产生突变时就是把它变成0；反之亦然。 在执行突变操作时，并非所有位都能发生变化，每一位发生变化的概率是Pm（0≤Pm≤1），称为突变率。 7.4 遗传算法 7.4.2 遗传算法的基本原理 SGA算法的一个循环 9 0111111111 10 1111111111 9 1111111011 9 1111111011 7 0110111011 6 0110101011 5 1000011011 5 1000011011 适应度值 串 适应度值 串 群体POP4（突变后） 群体POP3（交换后） 9 1111111011 9 1111111011 9 1111111011 6 0110101011 6 0110101011 6 1000011111 6 1000011111 3 0000011100 适应度值 串 适应度值 串 群体POP2（选择后） 群体POP1 7.4 遗传算法 7.4.3 遗传算法的应用 1．遗传算法的特点 （1）遗传算法从初始群体（即问题解的串集）开始搜索，而不是从单个解开始。 （2）遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。 （3）遗传算法有很强的容错能力。 （4）遗传算法中的选择、交换和突变都是随机操作，而不是确定的精确规则。 （5）遗传算法具有隐含的并行性。 7.4 遗传算法 7.4.3 遗传算法的应用 2．遗传算法的应用关键 （1）串的编码方式 （2）适应度函数的选择与确定 （3）遗传算法自身参数的设定 7.4 遗传算法 7.4.3 遗传算法的应用 3．遗传算法在神经网络中的应用 （1）遗传算法在网络学习中的应用 在神经网络中，遗传算法可用于网络的学习。这时，它在两个方面起作用： ①学习规则的优化。 ②网络权系数的优化。 7.4 遗传算法 7.4.3 遗传算法的应用 3．遗传算法在神经网络中的应用 （2）遗传算法在网络设计中