GeneticAlgorithm.pptVIP

Genetic Algorithm 遺傳基因演算法 遺傳基因演算法 1975年由美國密西根大學John Holland教授提出 基於自然選擇過程的一種最佳化搜尋機構 仿效生物界中物競天擇、優勝劣敗的自然演進法則，它能夠選擇物種中具有較好特性的上一母代，並且隨機性的相互交換彼此的基因資訊，以期望能產生較上一母代更優秀的子代，如此反覆下去以產生適應性最強的最佳物種 遺傳基因演算法(續) 染色體編碼方式 二元編碼 符號編碼 遺傳基因演算法(續) 三個主要運算子 複製／選擇(Reproduction / Selection) 依據每一物種的適應程度來決定其在下一子代中應被淘汰或複製的個數多寡的一種運算過程 輪盤式選擇(roulette wheel selection) 按每個物種的適應函數值大小來分割輪盤的位置，適應函數值愈大所佔面積愈大（亦表示其被選取的機率愈高），以隨機的方式選取輪盤中的一點，所對應的物種即為被選取至交配池中的物種 假設交配池中有N個物種，fi代表第i個物種的適應函數值，則此物種應該會有 被複製到交配池中 遺傳基因演算法(續) 競爭式選擇(tournament selection) 在每一代的演化過程中，首先隨機地選取兩個或更多的物種，具有最大適應函數值的物種即被選中送至交配池中 一般建議採用此種方式 交配(Crossover) 隨機選取交配池中的兩個母代物種，並且彼此交換位元資訊，進而組成兩個新的物種，藉由累積前代優秀位元資訊，期能產生更優秀的子代 交配過程發生的機率由交配機率所控制 遺傳基因演算法(續) 交配的種類 單點交配 雙點交配 字罩交配 遺傳基因演算法(續) 突變(Mutation) 隨機選取一物種，並隨機選取一突變點，然後改變物種中突變點的位元資訊 突變過程發生的機率由突變機率所控制 可以單一位元突變、整個物種突變或以字罩方式進行突變 遺傳基因演算法(續) 演化流程 遺傳基因演算法(續) 演算程序 以隨機方式產生m個物種，每個物種包含n個染色體，每個染色體擁有kn個基因 計算每個物種的適應函數值 依照m個物種交配出i個新物種 將i個新物種的基因予以突變 計算i個新物種的適應函數值 從i+m個物種中選擇m個物種為下一代 若終止條件成立則繼續步驟8，反之回到步驟3 演算法停止，輸出演算結果 遺傳基因演算法(續) 範例 求解f(x)=x2 的最大值 x的範圍設定在[0, 32] 選定5個位元進行編碼 交配機率設為1.0 突變機率設為0.1 遺傳基因演算法(續) 產生初始族群 設定族群的大小為4 以隨機方式產生四個染色體 遺傳基因演算法(續) 複製過程 直接以f(x)=x2當做適應函數 求得總體適應函數值為?f=1110 平均適應函數值為f=278 以輪盤法做為複製的依據 決定各染色體的複製個數 遺傳基因演算法(續) 交配過程 求得總體適應函數值為?f=1845 平均適應函數值為f=461 遺傳基因演算法(續) 突變過程 突變基因數的決定 總基因數×突變機率=(4×5)×0.1=2 有兩個基因將被突變 隨機挑選染色體進行突變 例：將第一條染色體的第三個基因進行突變 01000 ? 01100 突變的目的在避免搜尋過程陷入局部最佳解 終止搜尋 判斷目前的最佳適應函數值是否達到所要求的標準，若是，則結束執行，否則回複製過程進行下一代的演化 遺傳基因演算法(續) 主要特性 以參數集合的編碼進行運算，而非參數本身，因此可以跳脫搜尋空間上的限制 同時考慮搜尋空間上的多個點而非單一點，因此可以較快獲得整體最佳解，同時可避免陷入局部最小值 只使用適應函數的資訊，而不需其他輔助資訊，因此可以使用各種型態的適應函數 使用機率規則去引導搜尋方向，而非使用明確的規則，因此較可符合各種不同類型的最佳化問題 遺傳基因演算法(續) 基因長度 愈長愈精準，所需編碼及解碼運算也相對增加 交配機率 交配率愈高，新物種進入族群的速度愈快，搜尋整體最佳值的速度亦快，但若太高，優良的新物種被取走的速度會快於產生的速度，而失去交配的原意 交配率太低，會使搜尋過程停滯 突變機率 是一個必須的運算過程，因為複製與交配的過程中可能所有物種的特定幾個基因值完全相同，因而影響某些新物種進入族群的機會，增加進入局部最佳值的機會 遺傳基因演算法(續) 適應函數的設計原則 原則上能反應不同物種間適應程度的差異即可，但為了能增加新物種進入族群的機會，適應函數須能將次佳物種快速第淘汰，以加速搜尋過程 搜尋終止條件 當所有物種均趨向一致時（不再有更好的適應函數出現時） 或適應函數值達到系統所要求的終止條件時 進化式演算法 以生物進化的概念為核心，由基因隨機的改變方式，改