2014遗传算法试题.pptVIP

4.2 遗传算法简介 遗传算法的生物学背景 适者生存：最适合自然环境的群体往往产生了更大的后代群体。 生物进化的基本过程： 染色体（chromosome）：遗传物质的载体。 杂交：即是两个染色体进行重组，形成两个新的染色体。 变异：是指在细胞复制过程中因DNA上某些基因结构的随机改变而产生出新的染色体。 ③ 进化理论 遗传算法所涉及到的基本概念： 个体（individual）：指染色体带有特征的实体； 种群（population）：个体的集合，该集合内个体数称为种群的大小； 编码（coding）：表现型到基因型的映射； 解码（decoding）：从基因型到表现型的映射。 大象灰颜色皮肤为例： 适应度（Fitness）函数：度量某个物种对于生存环境的适应程度。 对生存环境适应程度较高的物种将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖机会就会相对较少，甚至逐渐灭绝。 其函数值是遗传算法实现优胜劣汰的主要依据。 遗传操作（Genetic Operator） 遗传操作是指作用于种群而产生新的种群的操作。 标准的遗传操作包括以下3种基本形式： 选择（Selection） 交叉（Crosssover） 变异（Mutation） ①选择 从群体中选择优胜的个体，淘汰劣质个体的操作叫选择。 选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。 ②交叉 交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。 交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。 最常用的交叉算子为单点交叉(one-point crossover)。 具体操作是：在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体。 ③变异 变异是对群体中的个体串的某些值作变动。 在染色体以二进制编码的系统中，它随机地将染色体的某一个基因由1变为0，或由0变为1。 终止条件 当最优个体的适应度达到给定的阈值，或者最优个体的适应度和群体适应度不再上升时，或者迭代次数达到预设的代数时，算法终止。 预设的代数一般设置为100-500代。 遗传算法的原理 原理：遗传算法(GA)是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。 其采纳了自然进化模型，从代表问题可能潜在解集的一个种群开始，种群由经过基因编码的一定数目的个体组成，初始种群产生后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的解。 过程：在每一代，概据问题域中个体的适应度大小挑选个体；并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。这一过程循环执行，直到满足优化准则为止。最后，末代个体经解码，生成近似最优解。 基于种群进化机制的遗传算法如同自然界进化一样，后生代种群比前生代更加适应于环境，通过逐代进化，逼近最优解。 遗传算法的基本思想 遗传算法的优越性 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。 虽然GA在许多优化问题中都有成功的应用 ,但其本身也存在一些不足。 例如局部搜索能力差、存在未成熟收敛和随机漫游等现象 ,从而导致算法的收敛性能差 ,需要很长时间才能找到最优解 ,这些不足阻碍了遗传算法的推广应用。 如何改善遗传算法的搜索能力和提高算法的收敛速度，使其更好地应用于实际问题的解决中，是各国学者一直探索的一个主要课题，之后世界范围内掀起了关于遗传算法的研究与应用热潮。  * * 进化计算（Evolutionary Computation,EC）是在达尔文（Darwin）的进化论和孟德尔（Mendel）的遗传变异理论的基础上产生的一种在基因和种群层次上模拟自然界生物进化过程与机制的问题求解技术。 进化计算概述 遗传算法简称GA（Genetic Algorithms）是1962年由美国Michigan大学的Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。 遗传算法是以达尔文 的自然选择学说为基础 发展起来的。 遗传算法 遗传是指父代利用遗传基因将自身的基因信息传递给子代，使子代能够继承其父代的特征的这种生命现象。 在自然界，构成