2012计算智能-3.模式定理.pptVIP

第 4 章 基于遗传算法的随机优化搜索 模式：基于三值字符集{0, 1, *}所产生的能描述具有某些结构相似性的0，1字符串集的字符串称为模式。 00001, 00011，01001，01011，10001，10011 11001, 11011 模式 **0*1 描述： 模式 *0100 描述： 00100, 10100 模式 10001 描述： 10001 模式定理 长度为L的串隐含2L个模式，规模为n的种群隐含着2L ~ n*2L-(n-1)个模式 例如串01 具有22个模式 {01, 0*, 1*, **} 串110隐含着23个模式 群体{01，10}隐含着7个模式 {01，0*，*1，**，10，1*，*0} 模式阶： 模式H中的确定位置的个数称为该模式的模式阶，记为O(H) 模式1*01**的阶数为 3 模式1*****的阶数为 1 显然，模式阶说明的是模式的确定程度，即模式阶数越高，模式的确定性越大，反之，确定性越小 模式的定义长度 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确定长度，记为δ(H) 模式1*01**的定义长度为 3 模式1*****的定义长度为 0 可见，模式定义长度描述的是模式中确定元素的紧凑程度 模式定理 假定在给定的时间步t,一个特定的模式s在群体P(t)中数目为m，记为m(s,t)。首先，我们暂不考虑交叉和变异操作。每个串根据适应值的大小获得不同的复制概率。串i的复制概率为： (1) 模式定理 如果第i个字串在第t+1代被选择到的概率是pi，那么，第t+1代被选择到的数目为 ，因此第t+1代中模式s样本数目为 模式定理 则在群体P(t+1)中，模式s的代表串的数量值为： 其中， 表示模式s在t时刻的所有代表串的适应值的均值，称为模式s的适应值。 (2) 模式定理 若记P(t)中所有个体的适应值的平均值为： (3) 则(2)式可以表示为： 模式定理 (3)式表明，模式s的代表串的数目随时间增长的幅度正比于模式s的适应值与群体平均适应值的比值。即：适应值高于群体平均值的模式在下一代的代表串数目将会增加，而适应值低于群体平均值的模式在下一代的代表串数目将会减少。 假设模式的适应值为 ,其中c是一个常数，则 (3)式可写为： 模式定理 (4) 上式表明，在平均适应值之上（之下）的模式，将会按指数增长（衰减）的方式被复制。 模式定理 复制的结果并没有生成新的模式。因而，为了探索搜索空间中的未搜索部分，需要利用交叉和变异操作。 下面先探索交叉对模式的影响。 模式s1=“*1****0”和s2=“***10**” 交叉会改变模式的一部分，模式的长度越长，被破坏的概率越大。 模式定理 假定模式s在交叉后不被破坏的概率为ps，则： 若交叉概率为pc,则s不被破坏的概率为 所以，再考虑交叉时，(3)式可表示为 最后，考虑变异算子对模式的影响。变异算子以概率pm随机地改变个体某一位的值。只有当o(s)个确定位的值不被破坏时，模式s才不被破坏。 模式定理 （5） 模式定理 模式s在变异后不被破坏的概率： Pm1,可近似地表示为 模式定理 (6) 因此，考虑交叉和变异时，(3)式可表示为 模式定理 由(6)我们得到一个重要的定理。 [定理1] 模式定理(Schema Theorem) 适应值在群体适应值之上的，长度较短的，低阶的模式在GA的迭代中将按指数增长方式被复制。 积木块假设 Holland和Goldberg在模式定理的基础上提出了“积木块假设”(Building Block Hypothesis): 低阶、长度较短、高于平均适应度的模式(积木块)在遗传算子的作用下，相互结合，能生成高阶、长度较长、适应度较高的模式，并得到全局最优解。 对遗传算法的进一步研究将涉及到隐性、并行性等内容。有兴趣的同学可参阅有关专著。 第 4 章 基于遗传算法的随机优化搜索