华中科技大学人工智能遗传算法要素.ppt

人工智能 遗传算法 进化准则 生物种群的生存过程遵循达尔文的物竟天择、适者生存的进化准则 生物通过个体间的选择、交叉、变异来适应大自然环境 生物染色体用数学方式或计算机方式来体现就是一串数码，仍称为染色体或者个体 适应能力用对应一个染色体的数值来衡量 遗传算法 模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法 为难以找到传统数学模型的难题找到一个解决方法 Holland于1975年首次提出遗传算法 以简单遗传算法为例 简单遗传算法 推销员旅行问题（TSP） 设有n个城市，城市i和城市j之间的距离为d(i,j) 寻找遍访每个城市恰好一次的一条回路，且其路径总长度为最短 编码与解码 编码：将问题结构变换为位串形式的编码 解码：编码的逆过程 染色体：位串形式的编码 例：用长度为L的二进制编码串表示某参数，它的取值范围是[A，B] 将[A，B]等分2L-1 0000……000=0 A 0000……001=1 A+δ …… 1111……111= 2L-1 B 编码与解码 假设某一个体的编码 X：xLxL-1xL-2…x2x1 解码公式 X=A+δ 其他编码方法 浮点数 格雷码 符号编码（推销员旅行问题） 多参数编码 适应度函数 通过适应度函数决定染色体的优劣程度 适应度函数有效反映每一个染色体与问题的最优解染色体之间的差距 TSP问题的适应度函数 遗传操作 选择：根据染色体的优劣程度决定它在下一代是被淘汰还是被遗传 交叉：将两个染色体P1和P2作为父母染色体，交换其部分码值 变异：改变数码串在某个位置上的编码 遗传算法的特点 基于空间搜索的最优化过程 不保证得到最佳答案，但可以将误差控制在可容忍的范围 特点 对编码优化 编码组开始搜索，而不是从单个解开始 利用目标函数的适应度指导搜索 利用遗传操作而不是规则进行随机操作 简单遗传算法的求解步骤 （1）初始化种群 （2）计算种群上每个个体的适应度值 （3）按规则根据适应度值选择进入下一代的个体 （4）按概率Pc进行交叉操作 （5）按概率Pc进行变异操作 （6）若没有满足某种停止条件，则转步骤（2），否则执行下一步 停止条件1：完成了预先给定的进化代数则停止 停止条件2：种群中的最优个体在连续若干代没有改进或平均适应度在连续若干代基本没有改进时停止 （7）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 一般遗传算法的主要步骤 （1）随机产生一个由确定长度的特征字符串组成的初始种群 （2）对该字符串种群迭代地执行下面的步骤1和2，直到满足停止准则为止 1 计算种群中每个个体字符串的适应值 2 应用复制、交叉和变异等遗传算子产生下一代种群 （3）把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个解 遗传算法求解举例 用遗传算法求解函数 f(x)=x·sin(10π·x)+1.0的最大值 x ∈[-1，2] 解题步骤 确定编码方式：二进制编码、编码长度、解码函数 确定初始种群 确定适应度函数 确定遗传方式 确定终止条件 遗传算法求解举例 种群规模：50 交叉概率：0.25 变异概率：0.01 * * δ=(B-A)/(2L-1) P1P2P1P210100110TSP的变异 w1w2…wk-1wkwk+1…wn w1w2…wk-1wwk+1…wnwk *