智能信息处理5.pptVIP

智能信息处理（4）—— 遗传算法及其应用 电气与信息工程学院本科生课程 《智能信息处理》 * 电气与信息工程学院本科生课程 授课单位：控制科学与工程系 授 课 人：谭建豪 联系电话建立在达尔文进化论与孟德尔遗传变异规律基础上的现代生物学认为，生物进化是从低级向高级、从简单向复杂、趋势向上、而又呈现出多枝齐头并进多样化发展的演化过程。 生物的进化表现为“适者生存，不适者被淘汰”，也就是“优胜劣汰”。绝大多数生物的进化是通过繁殖（reproduction）、变异（mutation）、竞争（competition）、选择（selection）四个基本过程实现的。 4.1 生物进化过程与遗传算法的诞生 繁殖是现存物种得以生存、延续的必要条件；变异是生物进化的根本保证；竞争是规模有无限扩大趋势的生物体分享有限生存资源的直接结果；最后在竞争的环境下，自然界不可避免地会对生物的生存进行选择。 生物进化是遗传与变异相互作用的结果，遗传的主要物质是细胞核中染色体上的基因，遗传物质的特异性决定了生物体的多样性，其稳定性保证了生物物种的稳定性，而其变异给生物进化提供了可能。生物的遗传是通过父代对子代的基因传递来实现的，遗传信息的改变决定了生物体的变异。 遗传算法的概念最早是由Bagley J.D在1967年提出的；1975年Michigan大学的J.H.Holland博士开始遗传算法的理论和方法的系统性研究，当时，其主要目的是说明自然和人工系统的自适应过程。 遗传算法简称GA（Genetic Algorithm），在本质上是一种不依赖具体问题的直接搜索方法。遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、生物科学、社会科学等方面都得到应用。在人工智能研究中，人们认为，遗传算法、自适应系统、细胞自动机、混沌理论与人工智能一样，都是对今后的计算技术有重大影响的关键技术”。 科学研究、工程实际与国民经济发展的众多问题可归结为“最大效益、最小代价”这类典型的优化模型。 求解这类模型导致寻求某个目标函数（有解析表达式或无解析表达式）在特定区域上的最优解，传统的建立在梯度计算基础上的非线性规划类方法，当目标函数仅具有单极点时，通常表现出较高的计算效率。当目标函数具有多极值点时，由于其本身固有的局部优化性及不稳健等缺陷，而被广泛认为不适于全局优化问题的求解。 当目标函数具有为数不多的极值点时，确定型算法常表现出较高的计算效率，但算法复杂，对目标函数的性质要求高，可靠性差。相比而言，随机搜索方法具有较强的鲁棒性，算法容易实现，但计算效率低。 仿生类算法是近年来才发展起来的一类新型全局优化搜索技术，它们通过向自然界学习，借鉴生物进化机制求解问题。具有本质上的并行性、广泛的可适用性（如对目标函数的性态无特殊要求，特别可以没有明确的表达式）和较强的鲁棒性、简明性与全局优化性能。 仿生类算法作为可靠、有效的全局优化算法，就其目前发展而言，可分为仿生过程算法、仿生结构算法、仿生行为算法三大类，分别以遗传算法、神经网络、模糊逻辑为典型。 4.2 模拟进化算法 模拟进化算法的核心思想源于对“优胜劣汰”这一自然规律的生物进化过程的认识：一个自然的、并行发生的、鲁棒的优化过程，这一优化过程的目标是对环境的适应性，而生物种群通过生物体的遗传、变异来达到优化（亦即进化）的目的。 对生物进化的这种优化观点60年代引起了J.H.Holland、I.Recenberg及L.J.Fogel等计算智能学者的特别兴趣，相继创立了遗传算法、演化策略和进化程序的模拟进化算法。 解全局优化问题的模拟进化算法本质上是一类建立在模拟生物进化过程(从优化观点)基础上的随机搜索方法,其基本思想可概括为: （1）将待优化问题的目标函数理解（或转换）为某生物种群对环境的适应性（fitness）; （2）将优化变量对应作生物种群的个体（individual）; （3）将所发展的求解优化问题的算法与生物种群的进化过程类比。 假定考虑全局优化（P）问题， P的多个可行解的一个集合可称之为一个种群（population）,种群中的每一元素（可行解）可称之为是一个个体（individual）,种群中个体的数目称之为此种群的规模。于是，求解问题P的一个不变规模（例如设为N）的模拟进化算法可抽象地描述如下： 步骤1. 随机确定初始种群； 步骤2.计算当前种群中每一个体的适应性(i=1,2, … ,N),依据适应性指定其相应个体的繁殖概率;依据所指定的繁殖概率,通过遗传机制(杂交、变异)产生适