智能控制第二版教学课件ppt作者李少远王景成Chapter7课件.pptxVIP

第七章智能控制中的现代优化方法智能控制中的现代优化方法遗传算法简称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，现在人们认为“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，都是对今后十年的计算技术有重大影响的关键技术。”7.1 遗传算法的基本原理7.1.1 遗传算法的生物学基础遗传与变异进化遗传与进化的系统观7.1 遗传算法的基本原理7.1.2 遗传算法的基本概念串(String)：它是个体(Individual)的形式，在算法中为二进制串，并且对应于遗传学中的染色体(Chromosome)。群体(Population)：个体的集合称为群体，串是群体的元素。群体大小(Population Size)：在群体中个体的数量称为群体的大小。基因(Gene)：基因是串中的元素，基因用于表示个体的特征。基因位置(Gene Position) : 一个基因在串中的位置7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现编码编码是应用遗传算法时要解决的首要问题，也是设计遗传算法时的一个关键步骤编码是把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法编码方法除了决定了个体的染色体排列形式之外，它还决定了个体从搜索空间的基因型变换到解空间的表现型时的解码方法，同时编码方法也影响到交叉操作、变异操作等遗传操作的运算方法。编码方法可以分为三大类：二进制编码方法、浮点数编码方法、符号编码方法7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现2.选择用来确定如何从父代群体中按某种方法选取哪些个体遗传到下一代群体中的一种遗传运算操作的主要目的是为了避免基因缺失、提高全局收敛性和计算效率7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现2.选择几种常用选择操作的操作方法： （1）比例选择(Proportional Model) 个体被选中的概率与其适应度大小成正比 ( i＝l，2，…，M) （2）最优保存策略(Elitist Model) （3）随机联赛选择(Stochastic Tournament Model) （4）排序选择(Rank-based Model)7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现交叉交叉运算是指对两个相互配对的染色体按某种方式相互交换其部分基因，从而形成两个新的个体。交叉操作是遗传算法区别于其他进化算法的重要特征，它在遗传算法中起着关键作用，是产生新个体的主要方法。遗传算法中，在交叉运算之前还必须先对群体中的个体进行配对。目前常用的配对策略是随机配对。即将群体中的M个个体以随机的方式组成[M/2]对配对个体组。7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现交叉几种常用交叉操作的操作方法：（1）单点交叉(One-point Crossover)（2）双点交叉(Two-point Crossover)（3）多点交叉(Multi-point Crossover)（4）算术交叉(Arithmetic Crossover)（5）经验交叉(Heuristic Crossover)7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现变异变异操作是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来替换，从而形成一个新的个体。几种常用变异操作的操作方法：（1）基本位变异(Simple Mutation)（2）均匀变异(Uniform Mutation)（3）边界变异(Boundary Mutation)（4）非均匀变异(Non-uniform Mutation)（5）多点非均匀变异(Multi-non-uniform Mutation)7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现5.适应度遗传算法在进化搜索中基本上不用外部信息，仅用目标函数即适应度函数为依据。适应度函数评估是选择操作和某些交叉操作和变异交叉的基础的依据。适应度函数直接影响到遗传算法的性能。7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现6.遗传算法实现的基本步骤和意义（1）初始化：选择一个群体，即选择一个串或个体的集合bi，i=1，2，...n（2）选择：根据适者生存原则选择下一代的个体（3）交叉：对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P在选中的位置实行交换（4）变异：根据生物遗传中基因变异的原理，以变异概率Pm对某些个体的某些位执行变异（5）全局最优收敛7.1 遗传算法的基本原理7.1.3 遗传算法的基本实现6.遗传算法实现的基本步骤和意