遗传算法—天津大学PPT.pptVIP

智能计算的国际期刊 IEEE Transactions on Evolutionary Computation Applied Soft Computing Soft Computing IEEE Transactions on Systems, Man and Cybernetics IEEE Transactions on Neural Networks Artificial Intelligence IEEE Computational Intelligence Magazine IEEE Transactions on Computational Intelligence and AI in Games Neural Networks Expert Systems with Applications Machine Learning Computers and Operations Research Operations Research 第二章 遗传算法 进化计算 基本遗传算法 遗传算法应用案例 遗传算法的特点和优势 遗传算法原理 2.1 进化计算 进化计算简介 进化计算是研究仿照生物进化自然选择过程中所表现出来的优先规律和方法，它用来解决，对复杂的工程技术领域或其他领域提出的而传统优化理论和方法又难以解决的优化问题。 进化计算包括四个方面内容： 遗传算法（Genetic Algorithm） 进化规则（Evolutionary programming） 进化策略（Evolutionary Strategy） 遗传规划 树图结构编码 2.1 进化计算 进化计算的诞生 （1）1990年，遗传算法开始与进化规划和进化策略有所交流。 （2）1992年，进化规划和进化策略这两个不同领域的研究人员首次接触到对方的研究工作，提出了“进化计算”（EC）的方法。 （3）1993年，进化计算这一专业领域的第一份国际性杂志《进化计算》在美国问世。 （4）1994年，IEEE神经网络委员会主持召开了第一届进化计算国际会议，以后每年举行一次。此外，此会每三年与IEEE神经网络国际会议、IEEE模糊系统国际会议在同一地点先后连续举行，共同称为IEEE计算智能国际会议。 2.2 基本遗传算法 遗传算法（genetic algorithms，GA）：一类借鉴生物界自然选择和自然遗传机制的随机搜索算法,非常适用于处理传统搜索方法难以解决的复杂和非线性优化问题。 遗传算法可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。 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。 遗传算法的基本原则 遗传算法设计的基本内容 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 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。 交叉(Crossover) 单切点交叉 随机产生一个断点(Cutting Point)［1，n-1］ 例： 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 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。 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