kj003水利系统工程课稿.ppt

遗传算法 Genetic Algorithm GA 简介 遗传算法 借鉴生物界自然选择原理和自然遗传机制而形成的一种迭代式自适应概率性全局优化搜索算法。 基本特点 简单易懂、通用、适合并行处理，可用于解决各种复杂优化问题 鼻祖 美国 密歇根(Michigan)大学 John Holland教授 如何借鉴？ 对于一个优化问题，一定数量的候选解（生命个体）被表示为抽象的数字串（染色体），通过进化向更好的解发展。 选解一般为二进制数字串（即0和1），但也可能有其他表示。一开始，生命个体完全随机产生，之后一代一代的进化，在进化过程中的每一代，每一个个体的适应程度被评价，通过自然选择和变异产生新的生命群体，该群体就是下一代的个体。 遗传算法与自然进化的比较 三、算法机理 优化问题的解被视为个体，它表示为一个参数列表，叫做染色体或者基因串。染色体一般被表达为简单的字符串或数字串。 一开始，算法随机生成一定数量的个体，有时操作者也可以对这个随机产生过程进行干预，播下已经部分优化的种子。在每一代中，每一个个体都被评价，并通过适应度函数计算并返回一个适应度数值。 下一步是产生下一代个体并组成群落。这个过程是通过选择和繁殖完成的，其中繁殖包括杂交和突变。 选择是根据新个体的适应度数值进行的，适应度越高，选择的机会越多，而适应度低的，被选择的机会就低。通过这样的过程，初始的数据可以达到一个优化的群体。 之后，被选择的个体进入杂交过程。一般的遗传算法都有一个杂交率的参数，范围一般是0.6~1，这个杂交率反映两个被选中的个体进行杂交的概率。 例如，杂交率为0.8，则80%的“夫妻”会生育后代。每两个个体通过杂交产生两个新个体，代替原来的“老”个体，而不杂交的个体则保持不变。杂交父母的染色体相互交错，从而产生两个新的染色体，第一个个体前半段是父亲的染色体，后半段是母亲的，第二个个体则正好相反。不过这里的半段不是真正的一半，这个位置叫做杂交点，也是随机产生的，可以是染色体的任意位置。 再下一步是变异，通过变异产生新的“子”个体。一般遗传算法都有一个固定的变异常数，通常是0.01或者更小，这代表变异发生的概率。根据这个概率，新个体的染色体随机的变异，通常就是改变染色体的一个字节（0变到1，或者1变到0）。 经过这一系列的过程（选择、杂交和变异），产生的新一代个体不同于初始的一代，并一代一代向增加整体适应度的方向发展，因为最好的个体总是更多的被选择去产生下一代，而适应度低的个体逐渐被淘汰掉。这样的过程不断的重复：每个个体被评价，计算出适应度，两个个体杂交，然后变异，产生第三代。周而复始，直到终止条件满足为止。 终止条件有以下几种： 进化次数限制； 计算耗费的资源限制（例如计算时间、计算占用的内存等）； 一个个体已经满足最小值的条件，即最小值已经找到； 适应度已经达到饱和，继续进化不会造成适应度更好的个体； 人为干预； 以及以上两种或更多种的组合。 算法基本流程 遗传算法基本要素 编码：固定长度的二进制符号串 初始种群的产生：若干初始解组成的初始群体 适值度函数的设定：区分群中个体好坏的标准 遗传算子：选择运算；交叉运算；变异运算 终止条件：进化结束的条件。如最大进化代 数或最优解所需满足的精度。 运行参数：群体规模、交叉概率、变异概率 五、SGA结构 标准遗传算法(Simple Genetic Algorithms,简称SGA) 是一种统一的最基本的遗传算法，它只使用选择、交叉、变异这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。 又叫基本遗传算法或简单遗传算法。 构成要素 ① 染色体编码方法。标准遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。 ②个体适应度评价。标准遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。 ③遗传算子。标准遗传算法使用下述三种遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子或均匀变异算子。 ④运行参数。标准遗传算法有下述4个运行参数需要提前设定： 群体大小M，即群体中所含个体数目，一般取为20~100； 遗传运算的终止进化代数T，一般取为100~500； 交叉概率Pc，一般取为0.4~0.99； 变异概率Pm，一般取为0.0001~0.1。 ⑤形式化定义 算法可定义为一个8元组：