进化算法教材.pptVIP

（4）确定个体评价方法： 个体的适应度直接取为对应的目标函数值，即 选个体适应度的倒数作为目标函数 （3）设计遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。 （4）确定遗传算法的运行参数：群体大小M=500，终止进化代数G=200，交叉概率Pc=0.90，采用自适应变异概率 十进制编码求函数Rosenbrock极大值。仿真程序经过200步迭代，最佳样本为 即当 ， 时，函数具有极大值，极大值为3880.3。 一个重要的定理——图式定理（schema theory） 什么叫图式？ ——描述种群中染色体相似性的字符串。 8.3遗传算法的理论基础 ? （*为通配符） 图式的描述： ⑴ 定义长度?（H)——H左右二端有定义位置之间的距离； ⑵ 图式的阶次(或固定长度)O(H）——H中非*位（有定义位）的个数。 图式定理的推导 ①图式在选择过程中的增加. 经过选择,在t+1代,图式H的数量m(H,t+1)为: ②图式在交换中的破坏 ③图式在变异中的破坏 经过选择、交换、变异后在t+1中，图式H的数量： 图式定理：在选择、交换、变异的作用下，阶次低、定义长度短、适应度高的图式（模块）将按指数增长的规律，一代一代地增长。 * 标号 复制后的匹配池 匹配对象(随机选取) 交换点(随机选取) 新种群 x值 f(x)=x2 1 01101 3 2 01000 8 64 2 11000 4 4 11001 25 625 3 11000 1 2 11101 29 841 4 10011 2 4 10010 18 324 总计 1854 平均值 463.5 最大值 841 匹配对象及交换点都是随机选取的 遗传算法的有效性主要来自复制和交换操作，尤其交换在遗传算法中起着核心作用。 个体交换就相应于不同观念的重新组合，而新的思想就是在这种重新组合中产生的，遗传搜索的作用也就在此。 复制（选择）虽然从旧群种中选择出优秀者，但不能创造新的染色体 模拟生物进化中的繁殖现象，通过两个染色体的组合来产生新的优良品种 交叉能够创造出新的染色体，从而允许对搜索空间中的新点进行测试 均匀交换 模板（template）：随机产生的一个与父代个体同样长度的二进制串. 1、先选出两个父代个体， 2、若模板中的某位为1，则两个父代个体对应位进行交换， 3、若模板中的某位为0，则两个父代个体对应位不进行交换。 例： 交换前 交换后 Individual 1 0 1 0 1 1 0 0 1 1 0 0 1 0 0 1 1 0 0 1 1 Template 1 0 0 1 0 1 0 1 0 1 Individual 2 0 1 1 0 0 1 0 0 0 1 0 1 1 1 0 0 0 1 0 0 3）变异 模拟生物在自然界的遗传环境中由于各种偶然因素引起的基因突变 以很小的概率随机的改变一个串位的值 对于二进制编码，取反操作：即将0?1；1?0 通过变异，增加群体中的多样性，使搜索在尽可能大的空间进行，避免陷入局部解，获得质量较高的优化 变异的概率很低，通常变异率pm 取0.001-0.1 在简单遗传算法中，变异就是将某个个体中某一位的值随机的进行取反操作 1100110111 变异 1100010111 变异前 变异后 在所有个体都相同的种群中，交换算子已经失效，出现近亲繁殖，不能产生新的个体，只有靠变异才能产生。 遗传算法后期，变异算子起着决定性作用，起到恢复种群多样性的作用。 例如：01101，11000， 01000， 10011 种群总的位数=4*5=20 若选 Pm=0.001 ，则 0.001*20=0.02（位） 不作变异 若选 Pm=0.1 ，则 0.1?20=2（位）有2位变异 注意： 变异的概率Pm很少：通常取0.001—0.1 变异的位数=Pm*种群总的位数 遗传算法求解实际问题时： 1）首先对待优化问题的所有参数进行编码（一般采用二进制码串），将所有参数的编码串接起来得到一个字符串，每一个字符串就是一个个体（或染色体），所有个体的集合称之为种群或群体。在种群中，每一个个体都表示一个可行解。 2）其次，根据优化问题构造评价个体适应能力的适