遗传算法4.pptVIP

遗传算法—应用 组合优化：遗传算法是寻求组合优化问题满意解的最佳工具之一，实践证明，遗传算法对于组合优化问题中的NP完全问题非常有效。 遗传算法—应用 生产调度问题：生产调度问题在很多情况下所建立起来的数学模型难以精确求解，即使经过一些简化之后可以进行求解也会因简化得太多而使求解结果与实际相差太远。现在遗传算法已经成为解决复杂调度问题的有效工具。 遗传算法—应用 自动控制：遗传算法已经在自动控制领域中得到了很好的应用，例如基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、利用遗传算法进行人工神经网络的结构优化设计和权值学习等。 遗传算法—应用 机器人学：机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于对人工自适应系统的研究，所以机器人学自然成为遗传算法的一个重要应用领域。 机器学习：基于遗传算法的机器学习，在很多领域中都得到了应用。例如基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可以用于人工神经网络的网络结构优化设计。 遗传算法—应用 图象处理：图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地存在一些误差，这些误差会影响图像处理的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求，遗传算法在这些图像处理中的优化计算方面得到了很好的应用。 遗传算法—应用 人工生命：人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大重要特征。人工生命与遗传算法有着密切的关系，基于遗传算法的进化模型是研究人工生命现象的重要理论基础。 现代智能优化算法 遗 传 算 法 禁 忌 算 法 蚁 群 算 法 粒 子 群 算 法 细 菌 算 法 混 沌 算 法 TS GA ACO PSO BC COA 混 沌 算 法 DE 其主要特点是群体搜索遗传算法（Genetic Algorithm, GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。它是由美国Michigan大学的J. Holland教授于1975年首先提出的。 策略和群体中个体之间的信息交换，搜索不依赖于梯度信息，尤其适用于处理传统搜索方法难于解决的复杂和非线性问题，可广泛用于组合优化、机器学习、自适应控制等领域，是21世界有关智能计算中的关键技术之一。 GA 四个基本条件 1.存在由多个生物个体組成的种群 2.生物个体之间存在着差异，或全体具有 多样性 3.生物能够自我繁殖 4.不同个体具有不同的环境生存能力，具有优良基因结构的个体繁殖能力強，反之則弱 GA -- 特点 遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象，从而可以很方便地引入和应用遗传操作算子 遗传算法直接以目标函数值作为搜索信息。传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数，遗传算法就比较方便。 GA -- 特点 遗传算法同时进行解空间的多点搜索。传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不断进化。这些是遗传算法所特有的一种隐含并行性。 遗传算法使用概率搜索技术 。遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。实践和理论都已证明了在一定条件下遗传算法总是以概率1收敛于问题的最优解。 达尔文1858年用自然选择来解释物种起源和生物的进化，其自然选择学说包括以下三个方面 1 遗传 种瓜得瓜，种豆得豆。生物有了这个特征，物种才能稳定存在； 2 变异 一母生九子，九子各不同。变异的选择和积累是生物多样性的根源； 3 适者生存 具有适应性变异的个体被保留下来，通过一代代生存环境的选择作用，物种一代代进化，演变为新的物种 GA的基础术语 染色体（Chromosome） 生物细胞中含有的一种微小的丝状化合物。是遗传物质的主要载体，由多个遗传基因组成 DNA RNA in the chromosome 基因 （gene）也称遗传因子，DNA 或RNA长链中占有一定位置的基本单位。生物的基因数量根据物种不同多少不一，从几个（病毒）到几万个（动物）。 GA的基础术语 基因座 （locus）染色体中基因的位置 表现型 （phenotype）由染色体决定性状的外部表现 基因型 （genetype）与表现型密切相关的基因组成 个