计算智能精要.pptVIP

第五章 计算智能(1) 进化计算 5.1 遗传算法(GA) 5.2 进化策略 5.3 人工生命 5.1 遗传算法 一.概述 1.遗传算法(Genetic Algorithms,简称GA)思想来源于生物进化过程,它是基于进化过程中的信息遗传机制和优胜劣汰的自然选择原则的搜索算法(以字符串表示状态空间). 2.GA由美国J.H.Holland教授于1975年首先提出,并以其提出的图式定理作为理论基础. 3.GA特别适用于传统数学难以解决的复杂的优化问题,如TSP问题. 4.GA属于邻域搜索的一类,它用概率方式产生新的邻域个体. 5.简单的GA存在参数难以控制,容易陷入局部收敛等缺陷,现在的趋势是把它与其他的优化算法结合起来取长补短. 二.遗传算法的基本机理 1. 编码与解码 遗传算法先将搜索结构编码为字符串形式,每个字 符串结构被称为个体(染色体). 相反将字符串形式编码表示变换为原问题结构的 过程叫解码. 编码方法有二进制编码,实数编码,符号编码等. 2. 染色体优劣的度量----适应度 每个染色体与其适应度的对应关系是适应度函数, 它应该有效反映每个染色体与问题的最优解染色 体之间的差距. 3. 遗传操作 选择(复制),根据个体的适应度函数值决定它在下 一代被淘汰还是被遗传. 交叉 将被选择的两个个体作为母体进行部分子 串的交换. 变异 就是改变染色体的某些基因. 三.遗传算法的准备工作 1.确定表示方案; 2.确定适应值的度量; 3.确定控制该算法的参数和变量; 4.确定怎样指定结果及程序运行结束的标准. 四.遗传算法的具体步骤 1.随机产生一个由固定长度字符串组成的初始群体; 2.对于字符串群体,迭代地执行下述步骤,直到选种标准被满足为止: 计算群体中的每个个体字符串的适应值; 应用下述三种操作(至少前两种)来产生新的群体: 复制:把现有的个体字符串复制到新的群体中. 杂交:通过遗传重组随机选择两个现有的子字符串, 产生新的字符串. 变异:将现有字符串中某一位的字符随机变异. 3.把在后代中出现的最高适应值的个体字符串指定为遗传算法运行的结果.这一结果可以是问题的解(或近似) 4.简单的杂交操作分为三步 从当前群体B(t)中选择两个结构： 随机选择一个整数 交换a和a‘中位置x左边的元素, 产生两个新的结构： 5.简单的变异操作过程如下: 每个位置的字符变量都有一个变异概率,各位置互相独立.通过随机过程选择发生变异的位置： 产生一个新结构 其中 是从对应位置 的字符变量的值域中随 机选择的一个取值。可以同样得到 五.遗传算法与传统优化算法的主要不同 遗传算法不是直接作用在参变量集上,而是利用参变量集的某种编码; 遗传算法不是从单个点,而是在群体中从一个点开始搜索; 遗传算法利用适应值信息,无需导数或其它辅助信息; 遗传算法利用概率转移规则,而非确定性规则. 六.遗传算法举例 问题：求 （1）编码： 此时取均长为5，每个染色体 （2）初始群体生成：群体大小视情况而定，此处设置为4，随机产生四个个体： 编码： 01101，11000，01000，10011 解码： 13 24 8 19 适应度： 169 576 64 361 （3）适应度评价： 4）选择：选择概率 个体： 01101，11000，01000，10011 适应度： 169 576 64 361 选择概率：0.14 0.49 0.06 0.31 选择结果：01101，11000，11000，10011 （5）交叉操作：发生交叉的概率较大 哪两个个体配对交叉是随机的 交叉点位置的选取是随机的（单点交叉） 0110 1 01100 11 000 11011 1100 0 11001 10 011 10000 （6）变异：发生变异的概率很小 （7）新群体的产生： 保留上一代最优个体