遗传算法及遗传编程_OK要点.ppt

遗传算法及遗传编程 设计适应函数遵循原则 最优解与具有最大适应值得个体相对应。 适应值能够反映个体质量的差异。 计算量应尽可能小 例:当优化问题为maxf(x),适应度函数可取为f(x) 当优化问题为minf(x),适应度函数可取为-f(x) 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361 再计算种群S1中各个体的选择概率。 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） * 表示方法举例 Trees are a universal form, e.g. consider 算数公式 程序 i =1; while (i 20) { i = i +1 } * 数学表达式 根节点 终止符 函数 终止符：指定所有的变量和常量。 函数：可能包含数学、算术和/或布尔函数。像if-then-else等决策结构和循环也能包含在函数集中。 * 程序表达式 i =1; while (i 20) { i = i +1 } 遗传编程输出的解是显式的, 即直接的表达式或程序, 而很多人工智能技术得出的解, 如神经网络的数值权向量, 则是隐式的。 * 一：GP的预备工作 应用遗传编程解决问题时, 应首先确定: 函数集; eg + , - , * , / 终止符集; eg x ,π, 9, 3, 5,1 适应度; 控制运行的参数( 及变量) ; 表明结果的方法和终止运行的准则 * 适应度函数 依赖于问题，它的计算要在若干个测试用例上评估，可用它在测试案例上的性能来量化其适应度。 决策树中用分类精度来计算适应度 数学表达式中比较输出与目标输出之间的误差作为适应度 * 二：GP的初始化 GP 的初始群体( 第0 代) 中的个体是随机生成的, 由给定的函数和终止符构成的程序, 生成初始群体的过程可看作在程序空间中的盲目搜索。 规则：个体应该尽可能的简单初始化，这能促进简单解的构造。 * 初始化步骤 首先从函数集中随机选取一个函数作为根结点 根据该函数所处理的自变量数目(相当于结点的度)选择同样数量的子结节, 此时可以随机从函数集与终止符集的并集中选取。 直到树中各分支都选择终止符作为子结点为止。 * 三：GP的基本操作 基本操作包括复制、交叉、突变等。以适应度为基础随机进行，即个体的适应度越大，它被选中的概率越大。 * GP 交叉举例 * N0 e * r t ÷ * K N0 + N0 * - e K N0 * -r t Parent 1 Parent 2 Child 1 Child 2 * GP的交叉1 * GP的交叉2 * -r * N0 e * t 指数增长 * N0 e * t 指数衰减 GP常数突变举例 r * GP的变异1 * GP的变异2 * GP的变异3 * GP的变异4 * GP的变异5 * GP的变异6 * 四：GP步骤 * 五：遗传编程的显著特点（koza等学者） 遗传编程开放地在程序空间中对给定问题的解进行搜索。 2.将搜索空间中的一个点集变换到另一个点集。 3.GP 由于不依赖点到点变换, 故此可以避免爬山法的急功近利性。 4.遗传编程不依靠形式逻辑推理方法来寻找程 序求解。 * 六：举例利用遗传编程的符号表达式逼近任意非线性函数 1.随机产生一个由树结构组成的初始种群, 树结构中的每个分枝点取自初始函数集F = { + , - , * , %, sin, cos} , 树结构中的叶