遗传算法GA分析报告.ppt

引 言 组合优化问题 组合优化问题的三参数表示： 组合优化问题举例 组合优化问题举例 组合优化问题举例 例2 旅行商问题（TSP,traveling salesman problem） 管梅谷教授1960年首先提出，国际上称之为中国邮递员问题。 TSP描述：一商人去n个城市销货，所有城市走一遍再回到起点，使所走路程最短。 组合优化问题举例 组合优化问题评价 对于组合优化问题，我们关心的一般不是最优解的存在和唯一性，而是如何找到有效的算法求的一个最优解，那么如何衡量算法的优劣，有效和无效呢？ 枚举法可以求的最优解，但是时间不可接受。 例 非对称距离TSP问题的算法实现：所有路径枚举。 计算时间：n个城市，固定1个为起终点需要(n-1)!个枚举，设计算机1秒能完成24个城市的枚举，则城市数与计算时间的关系如下表 计算复杂性 启发式算法 现代优化算法 遗传算法（Genetic algorithms）1975 模拟退火（Simulated annealing）1983 禁忌搜索（Tabu search）1986 蚂蚁算法（Ant algorithm）1992 粒子群优化算法（Particle swarm optimization）1995 遗传算法 Genetic Algorithm，GA 一、GA的提出 1975年，由美国科学家John Holland教授提出。GA借鉴了生物遗传学和自然选择机理，是一种通过模拟遗传选择和自然淘汰的生物进化过程的计算算法。 四、 GA的基本原理 在算法的具体步骤中, 还需给出若干控制参数, 如种群规模、世代次数、交叉率和变异率等等。 （1）种群规模就是种群的大小（N), 用染色体的个数表示。 （2）世代次数就是算法中种群更新换代的上限（T）, 它也是算法终止的一个条件。 （4）变异率(mutation rate)是指发生变异的基因位数所占全体染色体的基因总位数的比例，记为Pm，取值范围一般为0.0001～0.1。由于在生物的繁衍进化过程中, 变异也是按一定的概率发生的, 而且发生概率一般很小, 因此变异率也就是变异概率。 Pm大小难以产生新的基因结构，太大是遗产算法成了单纯的随机搜索。 * 组合最优化（combinatorial optimization)是通过对数学方法的研究去寻找离散事件的最优编排、分组、次序或筛选等，是运筹学(operations research)中的一个重要分支。所研究的问题涉及信息技术、经济管理、工业工程、交通运输、通信网络等领域。该问题可用数学模型描述为： 例1. 0-1背包问题 设有一个容积为b的背包，n个体积分别为 ai(i=1,2,…,n),价值分别为ci (i=1,2,…,n)的物品， 如何以最大的价值装包？ 325 year 10.8 year 136.5 day 4.9 day 4.3 hour 10 min 24 sec 1 sec 计算时间 31 30 29 28 27 26 25 24 城市数 启发式算法定义 一个基于直观或经验构造的算法，在可接受的花费（计算时间、占用空间等）下给出待解决问题每一个实例的一个可行解，该解与最优解的偏离程度不一定能预计。 启发式算法是一种技术，使在可接受的计算开销内寻找最好的解，但不一定能保证所得解的可行性和最优性，甚至多数情况下，无法给出所得解同最优解的近似程度。 主要内容 GA的提出 GA的相关概念 GA的基本操作 GA的基本原理 GA的应用举例 J. Holland, “Adaptation in natural and artificial systems”, University of Michigan Press, 1975. 图1 John Henry Holland (born 2 February 1929) 二、GA的相关概念 　　1. 适应度与适应度函数 　　适应度(fitness)就是借鉴生物个体对环境的适应程度, 对所求解问题中的对象设计的一种表征优劣的测度。适应度函数(fitness function)就是问题中的全体对象与其适应度之间的一个对应关系, 它一般是定义在论域空间上的一个实数值函数。 　　2. 染色体及其编码 　　遗传算法以生物细胞中的染色体(chromosome)代表问题中的个体对象。而一个染色体可以看作是由若干基因组成的位串, 所以需要将问题中的个体对象编码为某种位串的形式。遗传算法中染色体一般用字符串表示, 而基因也就是字符串中的一个个字符。 二、GA的相关概念