华南理工大学最优化理论——第十二章遗传算法重点.ppt

第三篇 智能优化方法 第12章 遗传算法 遗传算法（genetic algorithm，简称GA）是模拟自然界生物进化的一种随机、并行和自适应搜索算法。 遗传算法的术语借鉴于自然遗传学。它由贺兰德（Holland）提出，最初用于研究自然系统的适应过程和设计具有自适应性能的软件。 它将优化参数表示成的编码串群体，根据适应度函数进行选择、交叉和变异遗传操作。 遗传算法广泛应用于自动控制、规划设计、组合优化、图象处理、机器学习、信号处理、人工生命等领域。 遗传算法的基本形式 遗传算法要求有： 一个染色体表示用来对参数空间编码；一个解称为一个符号串或染色体； 一个适度函数用于估价所有的染色体； 一组遗传操作用于产生新的染色体； 一组概率用于控制遗传操作。交叉概率和变异概率。 遗传算法 它在每一次迭代时都拥有一组解答。 这组解答最初是随机生成的。在每次迭代时又有一组新的解答由模拟进化和继承的遗传操作生成。每个解答都由一个目标函数给予评价，而且这一过程不断重复，直至达到某种形式上的收敛。 新的一组解答不但可以有选择地保留一些目标函数值高的旧的解答，而且可以包括一些经由其它解答结合而得的新的解答。遗传算法成功的关键在于符号串表示和遗传操作的设计。下一节介绍一种具有三个简单操作的遗传算法。 12.1 遗传算法实现 遗传算法（GA）的一次迭代称为一代，每一代都拥有一组解。新的一组解不但可以有选择地保留一些适度值高的旧的解，而且可以包括一些由其它解结合得到新的解。 最初的一组解（初始群体，原始祖先）是随机生成的，之后的每组新解由遗传操作生成。 每个解都通过一个与目标函数相关的适应度函数给予评价，通过遗传过程不断重复，达到收敛，而获得问题的最优解。 12.1.1 编码、染色体和基因 1．编码 在二进制遗传算法中，自变量是以二进制字符串的形式表示，因此需要通过编码将空间坐标转换成相应的数字串，这就是编码。例如，一个三维正整数优化问题的各自变量均满足0? xi ?15，它的一个解为x = [5, 7, 0]。 在二进制遗传算法中，这个解对应的写成：x=[0101 0111 0000]。那么，010101110000就是解x的对应编码。 2．染色体与基因 在遗传算法中，为了与生物遗传规律对应，每一个解被称为一个个体，它对应的编码称作染色体（或者基因串），如前面的010101110000就是个体x的染色体。对组成染色体每一个编码元素称为基因，相应的染色体010101110000 有12个基因。 当优化问题的维数和自变量的范围不同时，个体的编码的长度也就不同。例如10011001101000110111是某个个体的染色体，它的基因位数为20，或者说该染色体的长度为l=20。 3．Hamming悬崖 在二进制编码中，主要的一个问题是存在Hamming悬崖（Hamming cliff）。在10进制中，255+1=256。而在二进制中，如果染色体的位数一定，它的最大数值+1得到的是染色体的最小数值。例如，对八位的二进制数0000001它们产生了255的差距，并称为Hamming距离。 比如编码盘用格雷码，保证1次仅有一位翻转。 Hamming悬崖 为了翻越Hamming悬崖，个体的所有位上的基因需要同时改变。由于二进制编码的遗传操作实现翻越悬崖的可能性非常小，这会计算时可能会出现停滞不前。 为此，对于多维、高精度要求的连续函数优化问题，可采用十进制的实数编码遗传算法改进这一缺陷。 12.1.2 初始群体 同其他优化方法类似，遗传算法也需要有初始解。遗传算法的初始解是随机生成的一组解，称为初始群体。 在初始群体中，个体数目M越大，搜索范围就越广，效果也就越好，但是每代遗传操作时间也会越长，运行效率也较低；反之M越小，搜索的范围越窄，每代遗传操作的时间越短，遗传算法的运算速度就可以提高，但降低了群体的多样性，有可能会引起遗传算法的早熟现象（即无法获得全局最优解）。 通常M的范围可以取20~100。 初始群体 初始群体构成了最原始的遗传搜索空间。 由于初始群体中的个体是随机产生的，每个个体的基因常采用均匀分布的随机数来生成，因此初始群体中的个体素质一般不会太好，即它们的目标函数值与最优解差距较远。 遗传算法就是要从初始群体出发，通过遗传操作，择优汰劣，最后得到优秀的群体与个体（问题的最优解）。 12.1.3 适应度函数与适度值 为体现染色体的适应能力而引入的对每个染色体进行度量的函数，叫做适应度函数。 适应度函数是根据在优化问题中给出的目标函数，通过一定的转换规则得到的。对一个群体中第i个染色体，通过对其目标函数值转换所得到的数值称为适度值，用 fi 表示。 适应度函数与适度值(续) 由于在遗传算法中，