第3章优化算法1-遗传算法2014要点.ppt

1 2017-4-10 系统工程 第三章 系统的优化算法 第一节 基于遗传算法的随机优化搜索 1.1 基本概念 1.2 基本遗传算法 1.3 遗传算法应用举例 1.4 遗传算法的特点与优势 1.5 基于实数编码的加速遗传算法 2017-4-10 3 遗传算法概述 　　遗传算法（genetic algorithm ，简称GA）是由美国J.H.Holland于1975年提出的一种全新的优化搜索算法。GA发展初期，并没有引起学术界的关注，因而发展比较缓慢，直到八十年代，GA的研究才引起重视并逐步成熟起来，目前，已在组合优化、机器学习、自适应控制、模式识别、神经网络、经济预测等领域取得了令人瞩目的应用成果。 2017-4-10 4 算法的学说： （１）遗传:“种瓜得瓜，种豆得豆”，亲代把生物信息交给子代，子代按照所得信息而发育、分化，子代总是和亲代具有相同或相似的性状。 （２）变异: 亲代和子代之间以及子代的不同个体之间总有差异。变异是随机发生的，变异的选择和积累是生命多样性的根源。 （３）生存斗争和适者生存:由于弱肉强食和生存斗争不断进行，其结果是适者生存，不适者被淘汰，通过一代代的选择作用，物种变异朝着一个方向积累，演变为新的物种。 2017-4-10 5 基本思想——遗传进化，根据自然选择和适者生存原理，用简单的编码技术和繁殖机制，模拟自然界生物群体优胜劣汰的进化过程，实现对复杂问题的求解。 把搜索空间（欲求解问题的解空间）映射为遗传空间，把每一个可能的解编码为一个向量（二进制或十进制数字串），称为一个染色体（或个体），向量中每一个元素称为基因。 所有染色体组成群体（群体中染色体个数用POP表示），并按预定的目标函数（或某种评价指标）对每个染色体进行评价，根据其结果给出一个适应度值。 遗传算法的实现 2017-4-10 6 算法开始时，先随机地产生一些染色体（欲求解问题的候选解），计算其适应度，根据适应度对诸染色体进行选择、交叉、变异操作，剔除适应度差的染色体，留下适应度较好（性能优良）的染色体，从而得到新的群体。 新群体的染色体是上一代群体的优秀者，继承了上一代的优良性态，因而明显优于上一代，这样就能向着更优解的方向进化，直至满足某种预定的优化收敛指标。 2017-4-10 7 1.1 基本概念 1. 个体与种群 ● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。 ● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。 2017-4-10 8 　 2. 适应度与适应度函数 ● 适应度(fitness)就是借鉴生物个体对环境的 适应程度，而对问题中的个体对象所设计的表征其优劣的一种测度。 ● 适应度函数(fitness function)就是问题中的 全体个体与其适应度之间的一个对应关系。 它一般是一个实值函数。该函数就是遗传算 法中指导搜索的评价函数。 2017-4-10 9 3. 染色体与基因 　　染色体（chromosome）就是问题中个体的某种字符串形式的编码表示。字符串中的字符也就称为基因（gene）。 例如： 个体 染色体 9 ---- 1001 （2，5，6）---- 010 101 110 2017-4-10 10 4. 遗传操作 　　亦称遗传算子(genetic operator)，就是关于染色体的运算。遗传算法中有三种遗传操作: ● 选择-复制(selection-reproduction) ● 交叉(crossover，亦称交换、交配或杂交) ● 变异(mutation，亦称突变) 2017-4-10 11 　　选择-复制　通常做法是：对于一个规模为N的种群S，每个染色体xi∈S具有一定的选择概率P(xi)所决定的选中机会, 分N次从S中随机选定N个染色体, 并进行复制。 父代个体的数量 2017-4-10 12 　　交叉 就是互换两个染色体某些位上的基因。 s1′ s2′可以看做是原染色体s1和s2的子代染色体。　　 染色体 s1 s2 交换其后4位基因, 即 2017-4-10 13 变异 就是