遗传算法的理论与应用朱诗萌2013452067答题.ppt

遗传算子相关概念 遗传算法在神经网络优化中的应用 遗传算法用于聚类 遗传算法在模糊系统优化中的应用 遗传算法在图像处理中的应用 基于遗传算法的图像增强方法实例 基于遗传算法的图像增强方法实例 基于遗传算法的图像增强方法实例 其他应用 遗传算法理论及其应用 汇报人：朱 诗 萌 2014 年 5 月 15日 目录 遗传算法定义及特点 遗传算法实施步骤 遗传算法的应用简介 应用实例 遗传算法的定义 1 遗传算法（GA）是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。 具体来说，是模拟繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异) 对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 遗传学与遗传算法对比图 2 数据或数组 0和1组成的字符串 每个字符的位置 遗传算法的特点 1. GA是对参数编码进行操作，而非参数本身，这样提供的参数信息量大，优化效果好。 *2.GA是从一个群体开始搜索，可有效防止搜索过程收敛到局部最优解。 3.GA仅用目标函数的适应值信息，无须要求目标函数连续、可微等，对问题依赖性小，应用范围广。 4.GA的寻优规则是概率性的而非确定性的。 5.GA在解空间进行高效启发式搜索，而非完全随机搜索。 1.选择算子 遗传算法中的选择操作是用来确定从父代群体中按某种方法选取个体遗传到下一代群体中的一种运算。常用方法是赌轮选择法。 2.交叉算子 交叉算子是保证良好形状能够遗传的关键。常采用一点交叉。 (a1a2…akak+1…am) (a1a2…akbk+1…bm) → (b1b2…bkbk+1…bm) (b1b2…bkak+1…am) 3.变异算子 指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因代替，从而形成新的个体。 开始 初始化参数，随机产生初始群体 计算当前群体中所有个体适应值 选择群体中适应度高的个体进行复制 交叉操作 变异操作 满足停止条件 Y 结束 N 基本遗传算法流程图 (1)选择合适的编码方案 把变量转换为染色体(字符串)，一个候选解(个体)用一串字符表示。 (2)选择合适的参数 包括群体大小、交叉概率和变异概率。 (3)随机生成初始群体。 (4)设计适应度函数 将种群中的每个染色体解码成适于计算机适应度函数的形式，计算其数值。 遗传算法的实现步骤 遗传算法的实现步骤 2 (5) 选择操作 根据适应度大小选择优秀个体繁殖下一代，适应度越高，则选择概率越大。 (6) 交叉操作 随机选择两个用于繁殖下一代的个体的相同位置，在选中的位置实行交换。 (7) 变异操作 对某个串中的基因按突变概率进行翻转。 (8) 从步骤(5)开始重复进行，直到满足某一性能指标或规定的遗传代数。 遗传算法的应用 2 遗传算法在图像处理中的应用 遗传算法在模糊系统优化中的应用 遗传算法用于聚类 遗传算法在神经网络优化中的应用 遗传算法在函数优化中的应用 遗传算法在函数优化中的应用 2 遗传算法应用于纯数学函数的优化问题，可以简化遗传算法的工作环境和优化标准，有利于分析和研究遗传算法的基本性能特征。因此函数优化问题是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用方法。 1.优化神经网络的连接权值 采用遗传算法来优化神经网络的连接权值可以避免陷入局部极小问题。首先采用遗传算法对初始权值进行优化，在较大的范围内进行搜索，然后采用反向算法在较小的范围内进行微调。 2.优化神经网络的结构 神经网络的结构对于神经网络的性能有重要影响，但其结构设计复杂，有很大的随意性，而GA应用于结构设计有一定的优势。 聚类分析在模式识别中得到了广泛应用，尤其以C-均值聚类算法的应用最为广泛，它采用了爬山法来寻找最优解，容易陷入局部极小值。而遗传算法是一种随机搜索算法，恰能克服局部极小问题。 采用遗传算法对模糊系统进行优化的本质就是确定模糊基函数中的参数，使系统的实际输出与期望输出之间的误差尽可能小。 遗传算法的实现方法如下： 1）将各个参数级联在一起进行编码。 2）产生初始群体。 3）根据系统的实际输出与期望输出构造遗传算法的适应值函数。 4）利用遗传算法操作对隶属函数中的各个参数进行优化。 经过若干代遗传后，就可获得优化后的隶属函数参数，相应的模糊推理规则也得到优化。 在图像处理过程中,如图像增强、图像恢复、图像重建、图像分形压缩、图像分割和图像匹配等不可避免地