遗传算法初等知识.pptVIP

本章基本内容 1.1遗传算法的基本概念和计算流程 1.1.1遗传算法的基本概念 1.1.2遗传算法的计算流程 1.2遗传算法的模版理论 1.2.1模版理论概述 1.2.2模版理论 1.3马尔可夫链收敛分析 1.3.1马氏链的一些基本性质 1.3.2马尔可夫链收敛性质 →人类进化 思考：生物学、遗传学怎样抽象到数学？ 遗传算法，创立的一种基于仿生学的算法，旨在研究自然系统的适应现象，该方法通过对生物化现象的抽象，在人工适应系统中设计一种基于自然演化原理的搜索机制，来描述自然系统的适应性。 遗传算法基本原理与数学优化基本算法 GA以编码空间代替问题的参数空间，一适应度函数为评价依据，以编码群体为进化基础，以群体中个体的遗传操作实现选择和遗传机制建立一个迭代过程，在这个过程中，通过随机重组个体中的重要基因，使新一代的个体集合优于老一代的个体集合，群体的个体不断进化，逐渐接近最优解。最终达到求解问题的目的。解决经典数学方法无法有效地求出最优解的复杂的、大规模的难题。 复习知识整理 例题：用GA求解问题 一个简单的表示解的编码是二进制编码，即0，1字符串。由于取值范围我们采用5位数的二进制码。01101，11000，01000，10011 复习下十进制转换二进制的方法， 编码与解码的介绍 遗传算法流程图 遗传算法的语言描述步骤 step1 选择问题的一个编码；给出一个有N个染色体的初始群体POP （1），t：=1. step2 对群体POP（t）中的每一个染色体 计算它的适应函数 step3若停止规则满足，则算法停止；否则，计算概率 并以概率分布上式从pop(t)中随机选一些染色体构成一个种群Newpop(t+1)= step4通过交配，得到一个有N个染色体的CrossPOP（t+1） step5以一个较小的概率p,使得染色体的一个基因发生变异，形成MutPOP（t+1）;t:=t+1,一个新的群体POP（t）=MutPOP（t+1）;返回2 轮盘赌选择方法 轮盘赌选择又称比例选择算子，它的基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。设群体大小为n ，个体i 的适应度为 Fi，则个体i 被选中遗传到下一代群体的概率为： 轮盘赌选择方法的实现步骤 （1） 计算群体中所有个体的适应度函数值（需要解码）； （2） 利用比例选择算子的公式，计算每个个体被选中遗传到下一代群体的概率； （3） 采用模拟赌盘操作（即生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配）来确定各个个体是否遗传到下一代群体中。 思考题：用遗传算法求 遗传算法的本质 遗传算法本质上是对染色体模式所进行的一系列运算，即通过选择算子将当前种群中的优良模式遗传到下一代种群中，利用交叉算子进行模式重组，利用变异算子进行模式突变。通过这些遗传操作，模式逐步向较好的方向进化，最终得到问题的最优解。 简单遗传算法总结（直观了解） 简单遗传算法可以理解为求解的问题，是极大目标函数的优化问题；采用0-1二进制编码；POP（t）中的染色体个数是一个常数，并为偶数；初始群体随机选取，适应函数为目标函数；按照轮盘赌选取染色体个数同POP（t）数相同的种群；常规交配方法为一对染色体按随机位交换后的基因；染色体中的每一个基因都以相同的概率变异。 主要因素有待研究 一 解的编码和解码 二 初始群体的选取和计算中群体的大小 三 适应函数的确定 四 三个算子 遗传算法的优越性 一 遗传算法适合数值求解那些带有多参数、多变量、多目标和多区域但连通性较差的NP难优化问题。 二 遗传算法在求解很多组合优化问题时，不需要有很强的技巧和对问题有非常深入的了解。 三 遗传算法同求解问题的其他启发式算法有较好的兼容性。 存在的问题 一 存在编码不规范及表示不准确等问题。 二 单一的遗传算法编码不能全面地将优化问题的约束表示出来。 三 无法确定是否一定保证收敛到最优解。 * * * * * * * * 遗传算法—一种基于仿生学的计算方法 11级基础科学学院 应用数学 袁杰 遗传算法的起源 * * 遗传算法【Genectic Algorithms（GA）】美国Michigan大学的J -Holland 教授在20世纪70年代初期首先提出遗传算法，创立的一种基于仿生学的算法，旨在研究自然系统的适应现象，该方法通过对生物化现象的抽象，在人工适应系统中设计一种基于自然演化原理的搜索机制，来描述自然系统的适应性。在1975年出版其开创性的著作《Adaptation in Natural and Artificial Systems》。系统地阐述了GA基本