基于遗传算法随机优化搜索.ppt

2009/7/9 遗传算法是基于进化论，在计算机上模拟生 命进化机制而发展起来的一门新学科，它根据适 者生存、优胜劣汰等自然进化规则搜索和计算问 题的解。 作为强有力且应用广泛的随机搜索和优化方 法，遗传算法是影响最广泛的进化计算方法之 一。 遗传算法的基本思想是：从一组解的初值开始 进行搜索，这组解称为一个种群，种群由一定数 量、通过基因编码的个体组成，其中每一个个体 称为染色体。不同个体通过染色体的复制、交叉 和变异又生成新的个体，依照适者生存的规则， 个体也在一代一代进化，通过若干代的进化最终 得出条件最优的个体。 变异 就是改变染色体某个(些)位上的基因。 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 遗传算法的一般流程为： Step1：随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码； Step2：计算个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束计算，否则转step3； Step3：依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰； Step4：按照一定的交叉概率和交叉方法，生成新个体； Step5：按照一定的变异概率和变异方法，生成新个体； Step6：由交叉和变异产生新一代的种群，返回step2。 步5 按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1； 步6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2； 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361 再计算种群S1中各个体的选择概率。 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） 4 遗传算法的MATLAB求解 MATLAB7.0版本（早期版本没有官方的工具箱） 带有遗传算法与直接搜索工具箱（Genetic Algorithm and Direct Search Toolbox），可以解决与遗传算法 相关的各类问题。 遗传算法与直接搜索工具箱提供了gatool()函数， 在MATLAB命令窗口输入gatool命令，可以打开遗传 算法程序界面，可以用可视的方式设置遗传算法的各 类参数，如初始种群、交叉变异、选择函数等。 遗传算法与直接搜索工具箱提供了ga()函数，可利用遗 传算法处理最优化问题，调用格式为 [x, f, flag, out]=ga(fun, n, opts) 其中，fun为描述目标函数的MATLAB函数，n为自变量个 数，opts为遗传算法控制选项，可以调用gaoptimset()函数设 置各种选项。例如，用其Generations属性可以设定最大允许 代数，InitialPopulation属性可以设置出始种群，用 PopulationSize属性可给定种群规模，用SelectionFcn属性可 以定义选择函数等。（参看MATLAB Help中