63遗传算法要点.ppt

41 94;37 84;54 67;25 62; 7 64;2 99;68 58;71 44;54 62;83 69;64 60;18 54;22 60;83 46;91 38;25 38;24 42;58 69;71 71;74 78;87 76;18 40;13 40;82 7;62 32; 58 35;45 21;41 26;44 35;4 50 TSP Benchmark 问题 6.3.4 遗传算法的典型应用 编码：直接采用解的表示形式，30位（30个城市）长，每位代表所经过的城市序号（无重复）； 适应度函数：个体所代表的路径距离的倒数； 选择：轮盘赌方法 TSP Benchmark 问题 6.3.4 遗传算法的典型应用 交叉：有序交叉法 1）随机选取两个交叉点； 2）两个父个体交换中间部分； 3）替换交换后重复的城市序号。 X1: 9 8 | 4 5 6 7 1 | 3 2 0 X2: 8 7 | 1 4 0 3 2 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 3 2 0 X2’: 8 7 | 4 5 6 7 1 | 9 6 5 X1’: 9 8 | 1 4 0 3 2 | 7 5 6 X2’: 8 3 | 4 5 6 7 1 | 9 0 2 6.3.4 遗传算法的典型应用 TSP Benchmark 问题 变异：随机选择同一个个体的两个点进行交换； 初始参数： 种群规模 100 交叉概率 0.8 变异概率 0.8 终止代数 2000 6.3.4 遗传算法的典型应用 TSP Benchmark 问题 运行结果： 6.3.4 遗传算法的典型应用 TSP Benchmark 问题 运行结果： TSP Benchmark 问题 6.3.4 遗传算法的典型应用 运行结果： TSP Benchmark 问题 6.3.4 遗传算法的典型应用 运行结果： TSP Benchmark 问题 6.3.4 遗传算法的典型应用 运行结果： TSP Benchmark 问题 6.3.4 遗传算法的典型应用 运行结果： 6.3.4 遗传算法的典型应用 运行结果： TSP Benchmark 问题 6.3.4 遗传算法的典型应用 二进制交叉 多点交叉 遗传算法的三大基本操作之（2）交叉或基因重组 6.3.2 遗传算法基本步骤 二进制交叉 均匀交叉 父个体1 0 1 1 1 0 0 1 1 0 1 0 父个体2 1 0 1 0 1 1 0 0 1 0 1 子个体1 1 1 1 0 1 1 1 1 1 1 1 子个体2 0 0 1 1 0 0 0 0 0 0 0 样本1 0 1 1 0 0 0 1 1 0 1 0 样本2 1 0 0 1 1 1 0 0 1 0 1 遗传算法的三大基本操作之（2）交叉或基因重组 6.3.2 遗传算法基本步骤 遗传算法的三大基本操作之（2）交叉或基因重组 0001100000 1110010110 1100000001 1001110100 1010101010 1110010110 1001011011 1100000001 1001110100 0001010011 0001100000 1110010110 1100000001 1001110100 1010101010 1110010110 1001011011 1001110100 1100000001 0001010011 0001 1110 100000 010110 111 100 0010110 1011011 110000 100111 0100 0001 1001110100 1100000001 1010101 0001010 010 011 6.3.2 遗传算法基本步骤 遗传算法的三大基本操作之（3）变异 实值变异（real valued recombination） 二进制变异（Binary crossover） 6.3.2 遗传算法基本步骤 实值变异 一般采用： 遗传算法的三大基本操作之（3）变异 6.3.2 遗传算法基本步骤 0001100000 1110010110 1100