遗传算法授课课件1.pptVIP

遗传算法 (一) 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法基本概念与术语 个体（individual）：GA所处理的基本对象、结构。 群体（population）：个体的集合。 位串（bit String）：个体的表示形式。对应于遗传学中的染色体（Chromosome） 基因（gene）：位串中的元素，表示不同的特征。对应于生物学中的遗传物质单位，以?DNA序列形式把遗传信息译成编码。 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 遗传算法简介 2 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 4.2 基本遗传算法 基本遗传算法 4.2 基本遗传算法 4.2 基本遗传算法 基本遗传算法 4.2 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 基本遗传算法 4.2 基本遗传算法 基本遗传算法 骗问题 我们已经知道，遗传算法适用于大多数经常碰到的问题，但也存在着一些遗传算法难以解决的问题，即最终的搜索往往偏离全局最优解，这类问题被称作GA-难的。这一节我们探讨所谓的骗问题（deceptive Problem），即构造一个问题，给定一些带欺骗性质的初始条件，“迷惑”遗传算法，使其偏离全局最优解。为此，要最大限度地违背积木块假设，即使得低阶、短距、高于平均适应度的模式生成局部最优点。由模式理论，一个问题能否用遗传算法有效地求解，取决于问题编码是否满足积木块假设，满足者用遗传算法求解效率较高，不满足者效率 较低、甚至找不到满意解。 谢谢！ 个体选择概率的常用分配方法 基于排序的适应度分配（rank-based fitness assignment） 线性排序（by Baker） μ为种群大小，i为个体序号，ηmax代表选择压力。 遗传操作——选择 个体选择概率的常用分配方法 基于排序的适应度分配（rank-based fitness assignment） 非线性排序（by Michalewicz） i为个体序号，c为排序第一的个体的选择概率。 遗传操作——选择 常用选择方法 轮盘赌选择法（roulette wheel selection） 遗传操作——选择 1.00 1.00 0.98 0.95 0.89 0.82 0.73 0.62 0.49 0.34 0.18 累计概率 0.0 0.02 0.03 0.06 0.07 0.09 0.11 0.13 0.15 0.16 0.18 选择概率 0.1 0.2 0.4 0.6 0.8 1.0 1.2 1.4 1.6 1.8 2.0 适应度 11 10 9 8 7 6 5 4 3 2 1 个体 常用选择方法 随机遍历抽样法（stochastic universal sampling） 遗传操作——选择 1.00 1.00 0.98 0.95 0.89 0.82 0.73 0.62 0.49 0.34 0.18 累计概率 0.0 0.02 0.03 0.06 0.07 0.09 0.11 0.13 0.15 0.16 0.18 选择概率 0.1 0.2 0.4