GA遗传算法说课.ppt

(1)GA对问题参数编码成“染色体”后进行进化操作，而不是针对参数本身，这使得GA不受函数约束条件的限制，如连续性、可导性个体。 (2)GA的搜索过程是从问题解的一个集合开始，而不是从单个开始，具有隐含并行搜索特性，从而大大减小了陷入局部极小的可能。 (3)GA使用的遗传操作均是随机操作，同时GA根据个体的适配值信息进行搜索，无需其他信息，如导数信息等 (4)GA具有全局搜索能力，最善于搜索复杂问题和非线性问题。 GA相比于传统优化算法，具有以下的特点 GA算法的优越性 (1)算法进行全空间并行搜索，并将搜索重点集中于性能高的部分，从而能够提高效率且不易陷入局部极小。 (2)算法具有固有的并行性，通过对种群的遗传处理可处理大量的模式，并且容易并行实现。 遗传算法的特点与优点 遗传算法求解问题举例 例子1 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 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。 选择概率的计算公式为 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 ● 赌轮选择法 s4 0.31 s2 0.49 s1 0.14 s30.06 赌轮选择示意 　　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 选择-复制 　 设从区间［0, 1］中产生4个随机数如下: r1 = 0.450126, r2 = 0.110347 r3 = 0.572496, r4 = 0.98503 染色体 适应度 选择概率 积累概率 选中次数 s1=01101 169 0.14 0.14 1 s2=11000 576 0.49 0.63 2 s3=01000 64 0.06 0.69