遗传算法(GeneticAlgorithm)答题.ppt

* 基本步骤(Step by Step) (1) 随机产生初始种群; (2) 计算种群体中每个个体的适应度值,判断是否满足停止条件，若不满足，则转第(3)步,否则转第(6)步; (3) 按由个体适应值所决定的某个规则选择将进入下一代的个体; (4) 按交叉概率Pc进行交叉操作,生产新的个体; (5) 按变异概率Pm进行变异操作,生产新的个体; (6) 输出种群中适应度值最优的染色体作为问题的满意解或最优解。 * 流程图(Flow Chart) * 基本遗传算法 基本遗传算法（Simple Genetic Algorithms, 简称SGA）是一种统一的最基本的遗传算法，它只 使用选择、交叉、变异这三种基本遗传算子，其遗传 进化操作过程简单，容易理解，是其他一些遗传算法 的雏形和基础，它不仅给各种遗传算法提供了一个基 本框架，同时也具有一定的应用价值。 * SGA伪码描述 Procedure Genetic Algorithm begin t = 0 ; 初始化 P(t) ; 计算 P(t) 的适应值 ; while (不满足停止准则) do begin t = t+1 ; 从P(t-1)中选择 P(t) ; % selection 重组 P(t) ; % crossover and mutation 计算 P(t) 的适应值; end end * 遗传算法的应用 函数优化 函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能测试评价的常用算例。对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法较难求解，而遗传算法却可以方便地得到较好的结果。 遗传算法提供了一种求解复杂系统优化问题的通用框 架，它不依赖于问题的具体领域，对问题的种类有很 强的鲁棒性，所以广泛应用于很多学科。下面列举一 些遗传算法的主要应用领域。 * 遗传算法的应用 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。例如，遗传算法已经在求解旅行商问题(Traveling Salesman Problem , TSP)、背包问题(Knapsack Problem)、装箱问题(Bin Packing Problem) 等方面得到成功的应用。 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。 * 遗传算法的应用 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。 机器人智能控制 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，所以机器人智能控制自然成为遗传算法的一个重要应用领域。 * 遗传算法的应用 图象处理和模式识别 图像处理和模式识别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。 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。 * 遗传算法的应用 遗传程序设计 Koza发展了遗传程序设计的概念，他使用了以LISP语言所表示的编码方法，基于对一种树形结构所进行的遗传操作来自动生成计算机程序。 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。分类器系统在多机器人路径规划系统中得到了成功的应用。 * SGA实例1：函数最值 SGA参数: 编码方式: 二进制码 e.g. 00000?0; 01101 ? 13; 11111?31 种群规模: 4 随机初始群体 “转盘赌”选择 一点杂交, 二进制变异 求函数f(x)=x2的最大值，x为自然数且0≤x≤31. 手工方式完成演示SGA过程 * SGA实例1 max x2