第一章 遗传算法及其的应用.pptVIP

* * * * * * * * * * * * 初始化种群 变异操作 计算适应度值 选择操作 交叉操作 输出适应度最优个体 终止条件 开始 遗传算法流程图 是 否 结束 产生初始群体 是否满足停止准则 计算每个个体的适应值 i=M? GEN:=GEN+1 依概率选择遗传操作 执行复制 选择一个个体 选择交叉位置 选择两个个体 选择一个个体 执行变异 i:=0 GEN:=0 复制到新群体 i:=i+1 将两个后代插入新群体 插入到新群体 执行杂交 指定结果 结束 是 否 是 否 变异 复制 交叉 方案表示 用一个二进制矢量表示一个染色体，由染色体来代表变量x的实数值，每个染色体的每一位二进制数称为遗传因子。 群体初始化 随机产生一定数量的染色体，每个染色体为若干位字节的二进制数。 适应度函数 适应度函数必须有能力计算搜索空间中每个确定长度的特征字符串的适应值。 遗传操作 采用的遗传操作分别是复制、交叉和变异。交叉相对于复制和变异的不同之处在于：交叉需要两个父代染色体配合进行，而复制和变异只需要一个父代染色体即可进行。变异可根据一定的变异率来改变一个或多个遗传基因。 算法参数 遗传算法的主要参数有群体规模和算法执行的最大代数目，次要参数有复制概率、杂交概率和变异概率等参数。 遗传算法归纳为五个基本组成部分 1．2 遗传算法(示例) 问题: 求函数f(x) = x2的最大值, 1．编码 13 = 0 1 1 0 1 24 = 1 1 0 0 0 8 = 0 1 0 0 0 19 = 1 0 0 1 1 1．2 标准遗传算法(示例) 2．初始群体的生成 0 1 1 0 1 1 1 0 0 0 0 1 0 0 0 1 0 0 1 1 初始种群 1．2 标准遗传算法(示例) 3．适应度评估检测 f(x) = x2 0 1 1 0 1 = x=13 = f(x) = 169 1 1 0 0 0 = x=24 = f(x) = 576 0 1 0 0 0 = x=8 = f(x) = 64 1 0 0 1 1 = x=19 = f(x) = 361 1．2 标准遗传算法(示例)——遗传算子 1）选择（复制） 赌轮选择 1．2 标准遗传算法(示例)——遗传算子 2）交叉 0 1 1 0 | 1 0 1 1 0 0 1 1 0 0 | 0 1 1 0 0 1 1．2 标准遗传算法(示例)——遗传算子 3）变异 1 1 0 0 0 1 1 0 1 0 /tutorials/genetic-algorithms/index.php 1．3 遗传算法的特点 基于群体的搜索。 直接处理的对象是参数的编码集而不是问题参数本身。 搜索过程中使用的是基于目标函数值的评价信息，搜索过程既不受优化函数连续性的约束，也没有优化函数必须可导的要求。 具有显著的隐并行性。 形式上简单明了。 具有很强的鲁棒性。 1．4 遗传算法理论研究 遗传算法所追求的是当前群体产生比现有个体更好个体的能力，即遗传算法的可进化性或称群体可进化性。因此，遗传算法的理论和方法研究也就围绕着这一目标展开。 1．4 遗传算法理论研究 关于下面五个问题的回答，就成为GA理论研究的主要方向： 遗传算法如何更好地模拟复杂系统的适应性过程和进化行为？ 遗传算法在优化问题求解中怎样才能具备全局收敛性？ 遗传算法的搜索效率如何评价？ 遗传策略的设计和参数控制的理论基础是什么？ 遗传算法与其他算法如何结合？ 1．4．1 遗传算法的基础理论研究 遗传算法的基础理论主要以收敛性分析为主，即群体收敛到优化问题的全局最优解的概率。从整体上讲，可以分为基于随机过程的收敛性研究和基于模式理论的收敛性分析，我们将前者称为遗传算法的随机模型理论，后者称为遗传算法的进化动力学理论。 1．4．1 遗传算法的基础理论研究 1．随机模型理论 对于有限的编码空间和有限的群体，遗传算法的搜索过程可以表示为离散时间的马尔可夫链模型（Marko chain model），从而可以采用已有的随机过程理论进行严密分析。 Rudolph用齐次有限马尔可夫链证明了标准遗传算法收敛不到全局最优解，但是如果采用精英保留策略，那么遗传算法是收敛的。 1．4．1 遗传算法的基础理论研究 2．进化动力学理论 基于某种具体运算形式的遗传算法的进化行为分析构成了进化动力学理论的基本内容。 由Holland提出的模式定理可以称为遗传算法进化动力学的基本定理。 积木块假设描述了遗传算法的重组功能。 模式定理和积木块假设构成了求解优化问