遗传算法原理与应用课件课件.pptVIP

参数分析 交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键，直接影响算法的收敛性； Pc越大，新个体产生的速度就越快，但过大会使优秀个体的结构很快被破坏；Pc过小，搜索过程缓慢，以至停止不前； Pm过小，不易产生新个体结构，Pm过大，变成纯粹的随机搜索； 自适应策略 Srinvivas等提出一种自适应遗传算法，Pc和Pm能够随适应度自动改变： 当种群各个体适应度趋于一致或趋于局部最优时，使Pc和Pm增加；而当群体适应度比较分散时，使Pc和Pm减少； 对于适应度较高的个体，对应于较低的Pc和Pm ；而较低适应度的个体，对应于较高的Pc和Pm 。 （5） 对执行策略的改进 混合遗传算法 免疫遗传算法 小生境遗传算法 单亲遗传算法 并行遗传算法 （6） 停止准则的改进 在算法的执行过程中保留历史上最好的个体，观察指标如下： 当上述指标趋近于1时，说明种群收敛。 指种群中所有个体适应值的平均值 个体适应值的最大值 四、遗传算法的应用 4.1 遗传算法的应用领域 (1)组合优化 (2)函数优化 (3)智能控制 (4)图像处理 (5)机器学习 (6)人工生命 (1)组合优化 组合优化是指在给定约束条件下,求解目标函数的最优值。实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、网络路由等具有NP难度的组合优化问题上取得了成功的应用。 (2)函数优化 工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做法是根据某有效函数将多目标合成单一目标来进行优化。 简单函数优化的实例 例:利用遗传算法求解区间［0,31］上的二次函数y=x2的最大值。　 y=x2 31 X Y 简单函数优化的实例 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。 　 解: (1) 设定种群规模,编码染色体，产生初始种群。 将种群规模设定为4；用5位二进制数编码染色体；取下列个体组成初始种群S1: s1= 13 (01101), s2= 24 (11000) s3= 8 (01000), s4= 19 (10011) (2) 定义适应度函数, 取适应度函数：f (x)=x2 (3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,直到适应度最高的个体(即31（11111）)出现为止。 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。 由此可求得 P(s1) = P(13) = 0.14 P(s2) = P(24) = 0.49 P(s3) = P(8) = 0.06 P(s4) = P(19) = 0.31 选择概率的计算公式为： 赌轮选择法 在算法中赌轮选择法可用下面的子过程来模拟: ① 在［0, 1］区间内产生一个均匀分布的随机数r。 ② 若r≤q1,则染色体x1被选中。 ③ 若qk-1r≤qk(2≤k≤N), 则染色体xk被选中。 其中的qi称为染色体xi (i=1, 2, …, n)的积累概率, 其计算公式为 s4 0.31 s2 0.49 s1 0.14 s30.06 赌轮选择示意 轮盘赌选择方法 积累概率: 0 0.14 0.63 0.69 1 q1 q2 q3 q4 0.14 0.49 0.06 0.31 概率 积累概率 选择-复制 　 设从区间［0, 1］中产生4个随机数如下: r1 = 0.450126,