第八章 遗传算法.pptVIP

第八章 遗传算法 8.1 遗传算法的基本概念 遗传算法基本概念和术语 进化（evolution） 生物在其延续生存的过程中，逐渐适应其生存环境，使得其品质不断得到改良，这种生命现象称为进化。生物的进化是以种群的形式进行的。 遗传算法基本概念和术语 选择（selection） 按照一定概率随机地选择两对个体进行繁殖(即生成后继状态) 遗传算法在很大程度上是一种偶然性现象，随机过程在其中起重要作用。 一般而言，选择的过程是一种基于适应度的优胜劣汰的过程。 8.1 遗传算法基本原理 遗传算法基本概念和术语 交叉（crossover） 有性生殖生物在繁殖下一代时，两个同源染色体通过交叉而重组，亦即在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新的染色体。这个过程又称基因重组（recombination），俗称“杂交”。 遗传算法基本概念和术语 变异（mutation） 在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生出新的染色体，这些新的染色体表现出新的性状。 变异 就是改变染色体某个(些)位上的基因。 （0变为1或1变为0） 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 其中变异的位置是随机的。 遗传学相关概念 遗传学相关概念 遗传算法的实际应用 编码 编码 产生初始群体 适应函数 适应函数和适应值 选择标准 产生种群 交叉 变异 终止条件 遗传算法的收敛性 遗传算法的收敛性 遗传算法的收敛性 最佳个体保存方法 最佳个体保存方法 实验举例 遗传算法的特点 应用GA的几个要点 遗传算法广泛应用于人工智能、机器学习、知识工程、函数优化、自动控制、模式识别、图像处理、生物工程等众多领域。目前，遗传算法正在向其它学科和领域渗透，正在形成遗传算法、神经网络和模糊控制相结合，从而构成一种新型的智能控制系统整体优化的结构形式。 在进行遗传算法操作时：上面第一种方法是两两交叉遗传，而第二种做法是先淘汰最差，用一个最好的去代替最差，再进行交叉遗传， 也可以删除两个最差，用两个好一点的取代。 2 5 -4 8 -10 12 00010 00101 10100 01000 11010 01100 淘汰一个最差的 2 5 -4 8 -10 2 00010 00101 10100 01000 11010 00010 淘汰两个最差的 2 5 -4 8 2 2 00010 00101 10100 01000 00010 00010 到底淘汰几个最差的？？？又用哪些好的取代差的，这些是可以有不同的数目的，这些数就叫控制参数。 选择不同的控制参数（控制策略），算法就不一样。例如不删除最差，每个都一样的交叉遗传，与删除最差，用好的代替差的，算法不一样。 还有一个控制参数就是在进行变异操作时，选多少个进行变异，有选8%的个体进行变异，也有选5%的个数进行变异。这个百分数通常称为变异率。 可以把遗传算法的基本形式描述为： Begin 生成初始种群，选择适当的编码方式； 通过计算群体中各个体的适应度对群体进行评价； While未达到要求的目标do begin a. 选择繁殖下一代群体的各个体 b. 执行杂交操作 c. 执行变异操作 d. 对群体进行评价 end end 例 1. 设 f(x) = -x2 + 2x + 0.5，求 max f(x), x?[-1, 2]。 我们将通过这个简单的求最值问题来详细给出遗传算法的整个过程。 （1）编码和产生初始群体 首先需要确定编码的策略，也就是说如何把 [-1, 2] 区间内的数用计算机语言表示出来。编码就是从表现型到基因型的映射，编码时要注意以下三个原则： 完备性：问题空间中所有点（潜在解）都能成为GA编码空间中的点（染色体位串）的表现型； 健全性：GA