人工智能---遗传算法讲解.ppt

1.7 算法举例 选择 设从区间[0,1]产生4个随机数r1=0.25, r2=0.41, r3=0.77, r4=0.98 按轮盘赌选择法，染色体s1,s2，s3，s4依次选中次数为2，0，1，1 选择产生种群S1={s?1=11100(28),s?2=11100(28)， s?3=11000(24)， s?4=10011(19)} 染色体 适应度 选择概率 累积概率 估计选中次数 s1=11100 784 0.44 0.44 2 s2=01001 81 0.04 0.48 0 s3=11000 576 0.32 0.80 1 s4=10011 361 0.20 1.00 1 1.7 算法举例 交叉 将s?1与s?4配对，s?2与s?3配对，交换后两位基因 新种群S2={s?1=11111(31),s?2=11100(28)， s?3=11000(24)，s?4=10000(16)} 变异 种群变异基因位数： Pm*L*N=0.001*5*4=0.02 0.02不足1，本轮不做变异 --------------第三代遗传操作完成---------------- 第四代种群S={s1=11111(31),s2=11100(28)， s3=11000(24)，s4=10000(16)} 1.7 算法举例 在这一代种群中已经出现了适应度最高的染色体s1=11111。 遗传操作终止，将染色体“11111”作为最终结果输出。 将染色体“11111”解码为表现型，得所求最优解：31 将31代入函数y=x2中，即得原问题的解，即函数y=x2的最大值为961 1.7 算法举例 Y Y y=x2 8 13 19 24 X 第一代种群及其适应度 y=x2 12 16 25 27 X Y 第二代种群及其适应度 y=x2 9 19 24 28 X Y 第三代种群及其适应度 y=x2 16 24 28 31 X 第四代种群及其适应度 小结 遗传算法 图搜索 解空间搜索 问题空间搜索-解 随机搜索、随机选取初始点集/种群 固定初始/目标节点 寻找最优解/次优解 寻找解 点集-点集、并行计算 点-点 需适应度函数 需先验知识 全局搜索 约束较多 算法比较 谢谢观赏！ Introduction to Artificial Intelligence 遗传算法 遗传算法 1.1 基本概念 1.2 选择算子 1.3 交叉算子 1.4 变异算子 1.5 基本遗传算法 1.6 基本实现技术 1.7 遗传算法应用 遗传算法 生物进化 自然法则 优胜劣汰 适者生存 有性繁殖 基因通过有性繁殖不断进行混合和重组 遗传算法 从生物界按照自然选择和有性繁殖、遗传变异的自然进化现象中得到启发，而设计的一种优化搜索算法 遗传算法 应用 函数优化 组合优化：旅行商、图形化分… 生产调度：车间调度、生产规划… 自动控制：控制器、参数辨识… 机器人智能控制：机器人路径规划、运动轨迹规划… 图像处理与模式识别：特征提取、图像分割… 人工生命：进化模型、学习模型、行为模型… 遗传程序设计 机器学习 个体 个体就是模拟生物个体而对问题中的对象（一般就是问题的解）的一种称呼 一个个体也就是搜索空间中的一个点 种群 种群(population)就是模拟生物种群而由若 干个体组成的群体 它一般是整个搜索空间的一个很小的子集 通过对种群实施遗传操作，使其不断更新换代而实现对整个论域空间的搜索 遗传算法 1.1 基本概念 适应度(fitness) 借鉴生物个体对环境的适应程度，而对问题中的个体对象所设计的表征其优劣的一种测度 适应度函数(fitness function) 问题中的全体个体与其适应度之间的一个对应关系 一般是一个实值函数 该函数就是遗传算法中指导搜索的评价函数 1.1 基本概念 染色体(chromosome) 染色体是由若干基因组成的位串（生物学） 个体对象由若干字符串组成来表示（遗传算法） 遗传算法(genetic algorithm) 染色体就是问题中个体的某种字符串形式的编码表示 染色体以字符串来表示 基因是字符串中的一个个字符 个体 染色体 9 ---- 1001 （2，5，6）---- 010 101 110 1.1 基本概念 遗传算子(gene