人工智能导论第6章 遗传算法及其应用.ppt

第 6 章 遗传算法及其应用 教材： 王万良《人工智能导论》（第3版） 高等教育出版社，2011. 2 第6章 遗传算法及其应用 6.1 遗传算法的产生与发展 6.2 遗传算法的基本算法 6.3 遗传算法的改进算法 6.4 遗传算法的应用 第6章 遗传算法及其应用 6.1 遗传算法的产生与发展 6.2 遗传算法的基本算法 6.3 遗传算法的改进算法 6.4 遗传算法的应用 6.1 遗传算法的产生与发展 6.1 遗传算法的产生与发展 6.1.1 遗传算法的生物背景 6.1.2 遗产算法的基本思想 6.1.3 遗产算法的发展历史 6.1.4 设计遗产算法的基本原则与内容 6.1.1 遗传算法的生物学背景 适者生存：最适合自然环境的群体往往产生了更大的后代群体。 生物进化的基本过程： 6.1.2 遗传算法的基本思想 6.1.2 遗传算法的基本思想 6.1.3 遗传算法的发展历史 1962年，Fraser提出了自然遗传算法。 1965年，Holland首次提出了人工遗传操作的重要性。 1967年，Bagley首次提出了遗传算法这一术语。 1970年，Cavicchio把遗传算法应用于模式识别中。 1971年，Hollstien在论文《计算机控制系统中人工遗传自适应方法》中阐述了遗传算法用于数字反馈控制的方法。 1975年，美国J. Holland出版了《自然系统和人工系统的适配》；DeJong完成了重要论文《遗传自适应系统的行为分析》。 20世纪80年代以后，遗传算法进入兴盛发展时期。 6.1.4 遗传算法设计的基本内容 第6章 遗传算法及其应用 6.1 遗传算法的产生与发展 6.2 遗传算法的基本算法 6.3 遗传算法的改进算法 6.4 遗传算法的应用 6.2 遗传算法的基本算法 遗传算法的五个基本要素： 参数编码 初始群体的设定 适应度函数的设计 遗传操作设计 控制参数设定 6.2 遗传算法的基本算法 6.2.1 编码 6.2.2 群体设定 6.2.3 适应度函数 6.2.4 选择 6.2.5 交叉 6.2.6 变异 6.2.7 遗传算法的一般步骤 6.2.1 编码 6.2.1 编码 6.2.1 编码 6.2.1 编码 6.2.2 群体设定 6.2.2 群体设定 6.2.3 适应度函数 6.2.4 选择 6.2.4 选择 6.2.4 选择 6.2.4 选择 6.2.4 选择 6.2.4 选择 6.2.4 选择 6.2.4 选择 6.2.5 交叉 6.2.5 交叉 6.2.6 变异 6.2.8 遗传算法的特点 第6章 遗传算法及其应用 6.1 遗传算法的产生与发展 6.2 遗传算法的基本算法 6.3 遗传算法的改进算法 6.4 遗传算法的应用 6.3 遗传算法的改进算法 6.3.1 双倍体遗传算法 6.3.2 双种群遗传算法 6.3.3 自适应遗传算法 6.3.1 双倍体遗传算法 6.3.1 双倍体遗传算法 6.3.2 双种群遗传算法 6.3.2 双种群遗传算法 6.3.3 自适应遗传算法 第6章 遗传算法及其应用 6.1 遗传算法的产生与发展 6.2 遗传算法的基本算法 6.3 遗传算法的改进算法 6.4 遗传算法的应用 6.4 遗传算法的应用 6.4 遗传算法的应用 6.4 遗传算法的应用 THE END 2. 选择个体方法 （2）锦标赛选择方法（tournament selection model） 锦标赛选择方法：从群体中随机选择个个体，将其中适应度最高的个体保存到下一代。这一过程反复执行，直到保存到下一代的个体数达到预先设定的数量为止。 随机竞争方法（stochastic tournament）：每次按赌轮选择方法选取一对个体，然后让这两个个体进行竞争，适应度高者获胜。如此反复，直到选满为止。 2. 选择个体方法 最佳个体（elitist model）保存方法：把群体中适应度最高的个体不进行交叉而直接复制到下一代中，保证遗传算法终止时得到的最后结果一定是历代出现过的最高适应度的个体。 （3）最佳个体保存方法 1. 基本的交叉算子 （1）一点交叉（single-point crossover） 一点交叉：在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新的个体。 二点交叉：随机设置两个交叉点，将两个交叉点之间的码串相互交换。 （2）二点