4遗传算法.ppt

遗传算法的原理和应用 遗传算法的基本理论 优化设计课件 遗传算法（GA）最重要的基本理论是模式定理[4-7]、积木块假设[6，8]以及隐并行性定理[4-7] 模式定理(Schemata Theorem) 模式定理是由Holland在1971年提出的，它是GA的基本定理。它将GA的运算过程理解为模式运算过程，并从模式运算的角度解释GA的性能特点。 模式是描述字符串集的模板，反映字符串集中串的某些位置上存在的相似性。在本节的叙述中，仅就二进制编码的情况进行讨论。 定义2.1 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作模式。 例如，模式S = 01*0*描述了所有在位置1和位置4上为0，在位置2上为1的字符串，该模式描述的字符串集合为{01000，01001，01101，01101}。 也就是：S = 01*0* = {01000，01001，01101，01101} 事实上，模式的概念使得我们可以简明地描述具有相似结构特点的个体编码字符串。 在引入模式的概念后，遗传算法的本质就是对模式所进行的一系列运算，遗传运算过程中的个体通过模式联系起来。通过这些遗传运算，一些比较差的模式逐渐被淘汰，而一些较好的模式逐步被遗传和进化。 在进行遗传算法的理论分析时，往往需要定量地估计模式运算。因此，有必要引入以下两个概念：模式阶和模式定义长度。 定义2.2模式H中确定位置的个数称为模式的模式阶（Schemata Order），记作O(H)。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模式的定义长度（Schemata Defining Length），记作δ(H)。 根据定义2.2，O(101*0) = 4，δ(101*0) = 4；O(0**1*) = 2，δ(0**1*) = 3。而对于H = ****1、H = ****0**之类的模式，由于他们只有一个确定位置，所以我们规定它们的定义长度为1，如δ(****0**) = 1。 当字符串的长度确定时，模式的阶数越高，与该模式相匹配的样本数目就越少，该模式的确定性也就越高。而模式的定义长度越大，则在遗传运算中，该模式被遗传运算破坏的概率越大，生存概率越小。 定理2.1模式定理(Schemata Theorem) 在遗传算子选择、交叉和变异的作用下，具有低阶、短定义长度以及平均适应度高于种群平均适应度的模式在子代中将得以指数级增长。 模式定理保证了遗传优化过程中较优解的样本呈指数级增长，在一定意义上可以解释基本遗传算法的优化本质，同时也给遗传算法的应用提供了指导作用。 积木块假设与欺骗问题 模式定理说明，低阶、定义长度短、平均适应度高的模式被交叉切断的可能性低，随着世代交替其数量将增加。这种类型的模式称为积木块（Building Block）。 定义2.3（积木块）具有低阶、短定义长度以及高适应度的模式称作积木块。 假设2.1（积木块假设）积木块在遗传算子的作用下相互结合，能生成高阶、长定义长度、高平均适应度的模式，并最终生成全局最优解。 模式定理说明了积木块的样本数呈指数级增长，亦即说明了用遗传算法寻求最优样本的可能性；而积木块假设说明了用遗传算法求解各种问题的基本思想，即通过积木块之间的相互拼接能够产生出问题更好的解，表明遗传算法具有全局寻优能力，能够寻求到最优样本。 到目前为止，上述假设并未得到完整而严密的数学证明，但大量的实践对这一假设提供了强有力的支持。 如果一个问题的编码满足积木块假设，那么用遗传算法求解的效率较高，否则用遗传算法求解的效率较低。应用实践表明，存在一类用遗传算法难以求解的问题，称为“GA-难”问题。属于“GA-难”的问题一般包括有孤立的最优点，在搜索过程中，低阶积木块错误地引导搜索过程，不能发现高阶积木块，通过欺骗遗传算法，使其进化过程偏离最优解，最终使遗传算法发散，这种现象称为欺骗。实际上，目前尚未没有解决这类问题的较好的方法，也无法判断一个问题包含欺骗的多少与问题相对于遗传算法的难易程度。不过，现实中遇到的各种应用问题中，遗传算法大部分是适用的。 隐并行性定理 在遗传算法的运行过程中，每代都处理了个个体，但由于一个个体编码串中隐含有多种不同的模式，所以算法实际上却处理了更多的模式。 以二进制编码为例，长度为的编码串隐含有中模式，这样，规模为的种群中就可能隐含种不同的模式。但由模式定理可知，并不是所有的模式都能以较大的概率被保存下来进行处理。Holland在分析了有效模式（即那些按指数级递增的模式）的数目后，得到了隐并行性定理。 定理2.1隐并行性定理 设是一个小整数，，种群规模，则基本遗传算法一次处理的存活概率且定义长度的模式数为。 隐并行性定理意味着，每一代遗传算法处理个个体的同时，却获得了