智能优化——遗传算法.pptVIP

遗传算法 遗传算法 一.导言 二.Holland的基本GA 三.计算举例 四.Holland的结构理论 五.GA的各种变形 六.应用 七.学习GA的几点体会 一.导言（1） 遗传算法(GA)的产生 1975年，Holland提出GA 著名的书： Adaptation Natural and Artificial System (中文名称：自然与人工系统的自适应性) 后来，DeJong和Galdbarg做了大量工作，使GA更加完善。 一.导言（2） 遗传算法(GA)的来源： 遗传学的“优胜劣汰”“自然选择”的思想。 3.2 遗传算法的基本原理 3.2.1 遗传算法的基本思想 产生一个初始种群(100-1000) ； 根据问题的目标函数构造适值函数(Fitness Function)； 根据适值函数的好坏，不断选择和繁殖； 若干代后得到适值函数最好的个体即最优解。 3.2.2 遗传算法的构成要素 种群(Population)和种群大小(Pop-size) 基因表达法——编码方法 (Encoding Scheme; Gene Representation) 一.导言（7） 遗传算子(Genetic Operator)： 交叉(Crossover)，变异(Mutation) 选择策略:一般为正比选择 停止准则(Stopping Rule/Criterion): 一般是指定最大代数 二.Holland的基本GA（1） 算法框架与步骤 见下页 二.Holland的基本GA（3） 解空间与编码空间的转换 遗传运算是对编码空间操作的，所以要进行 两个空间的转换。 见下页示意图 二.Holland的基本GA（4） 二.Holland的基本GA（5） 各个步骤的实现 初始种群的产生 编码方法 适值函数 遗传运算 选择策略 停止准则 二.Holland的基本GA（6） 初始种群的产生 随机产生(依赖于编码方法)；种群的大小(依赖于计算机的计算能力和计算复杂度)。 例：0,1编码 产生 ， 0.5， =1； 0.5， =0 二.Holland的基本GA（7） 编码方法——二进制编码 二进制编码，用0，1字符串表达。 例：0110010，适用以下三种情况 背包问题： 1，背；0，不背 二.Holland的基本GA（8） 实优化： 精度高时编码长，一般不采用此法而用实值函数。 指派问题 二进制编码缺点：编码长不利于计算； 二进制编码优点：便于位值计算，包括的实数范围大 二.Holland的基本GA（9） 适值函数——根据目标函数设计 用适值函数 标定(Scaling)目标函数 采用方法 或 。 遗传运算(遗传算法的精髓)——交叉和变异 下面我们就介绍一下交叉和变异 二.Holland的基本GA（10） 交叉(Crossover) 单切点交叉 随机产生一个断点(Cutting Point)［1，n-1］ 例： 二.Holland的基本GA（11） 双切点交叉(交换中间段) 例： 不是所有点都交叉，设定一个交叉概率 ，一 般为0.9 二.Holland的基本GA（12） 变异(Mutation) 初始种群中没有需要的基因，在种群中按变异 概率 任选若干位基因改变位值0→1或1→0， 有意想不到的结果， 一般设定得比较小，在 5%以下。 二.Holland的基本GA（13） 选择策略 最常用的正比选择(Proportional Selection) 对于个体 ，适值 ，选择概率如下式可计算 NP—Number of Population 二.Holland的基本GA（14） 得到选择概率后，我们采用旋轮法(Roulette Wheel) 令 ， 随机产生 当 ，选择个体 二.Holland的基本GA（15） 如下图所示: 注： 优良种得到较多的繁殖机会，后代很 像 ； 而很可能失去繁殖的机会。 二.Holland的基本GA（16） 停止准则 指定最大代数(NG—