智能优化-遗传算法-2009.ppt

主要内容 一 遗传算法 二 模糊优化 三 随机规划 四 神经网络优化方法 五 退火算法 六 动态规划 主要参考书目 1、刘宝碇 不确定规划与模糊规划 清华大学出版社 2、方述诚 模糊数学与模糊优化 科学出版社 3、所有智能(软)优化的书 都可以作为参考书，以工科的教材为主 * 智能优化方法 遗传算法 Genetic Algorithm 1. “乱枪打鸟” 2. 保证次最优 基本思想: Darwin进化论和Mendel的遗传学 基本过程: 上述学说包括以下三个方面： （１）遗传(heredity) “种瓜得瓜，种豆得豆”，亲代把生物信息交给子代，子代按照所得信息而发育、分化，子代总是和亲代具有相同或相似的性状。 （２）变异（variation） 亲代和子代之间以及子代的不同个体之间总有差异。变异是随机发生的，变异的选择和积累是生命多样性的根源。 （３）生存斗争和适者生存　由于弱肉强食和生存斗争不断进行，其结果是适者生存，不适者被淘汰，通过一代代的选择作用，物种变异朝着一个方向积累，演变为新的物种。 基本概念与术语 : 一、串(String): 它是个体(Individual)的表现形式，在GA算法中可以是二进制串，并且对应于遗传学中的染色体(Chromosome)。 二、群体(Population):个体的集合称为群体，串是群体的元素. 三、群体大小(Population Size): 在群体中个体的数量称为群体的大小。 四、基因(Gene): 基因是串中的元素，基因用于表示个体的特征。例如有一个串S＝1011，则其中的1，0，1，1这4个元素分别称为基因。它们的值称为等位基因(Alletes)。 五 、基因位置(Gene Position): 一个基因在串中的位置称为基因位置，有时也简称基因位。基因位置由串的左向右计算，例如在串S＝1101中，0的基因位置是3。基因位置对应于遗传学中的地点(Locus)。 六、基因特征值(Gene Feature): 在用串表示整数时，基因的特征值与二进制数的权一致；例如在串S=1011中，基因位置3中的1，它的基因特征值为2；基因位置1中的1，它的基因特征值为8。 七、适应度(Fitness):某一个体对于环境的适应程度。 适应度的表达式见课本。常常取 模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传空间，把可能的解编码成一个向量——染色体，向量的每个元素称为基因。 把搜索过程变为一代到另一代不断的繁衍过程，不断计算各染色体的适应值，选择最好的染色体获得最优解 Mendel遗传学说的基因遗传原理 遗传算法还有一些其它的概念，这些概念在介绍遗传算法的原理和执行过程时，再进行说明。 遗传算法的原理: 1) 遗传算法GA把问题的解表示成“染色体”，并在算法中 转化成二(k)进制编码的串。 2) 每次执行和操作一群“染色体”，也即是假设解。 3）把这些假设解置于问题的“环境”中，并按适者生存的 原则，从中选择出较适应环境的“染色体”进行复制， 再通过交叉，变异过程产生更适应环境的新一代“染色 体”群。 4）一代一代地进化，最后收敛到最适应环境的一个“染色 体”上，它就是问题的最优解。 编码和解码 (二进制编码；浮点数 编码；符号编码)； 编码: 把原问题的可行解转化为个体符号字符串的方法 解码: 是编码的逆运算。 1）编码与解码计算: 10进制与k进制互相转化 10进制 “逢10进1”；k进制 “逢k进1”；对比表示如下: 上面的第二个式子实际上给出2 进制转化为10进制的公式 而10进制转化为2进制，使用下面的 “除2取余”法： EX: 将10进制数45转化为2进制数 上式两边同时除以2得 所以 (1恰好是除后的余数), 改写上式为: 最低位 最高位 ●选择运算 ——从旧的种群中选择适应度高的染色体，放入匹配集（缓冲 区），为以后染色体交换、变异，产生新的染色体作准备。 选择方法——适应度比例法（转轮法） 按各染色体适应度大小比例来决定其被选择数目的多少。 某染色体被选的概率： xi 为种群中第i个染色体， 遗传算法的基本运算: 1) 选择; 2) 交换; 3) 变异 染色体的 适应度和所占的比例 用转轮方法进行选择 举例： 具有6个染色体的二进制编码、适应度值、Pc累计 值。 一个选择具体步骤 1）计算各染色体适应度值 2）累计所有