3遗传规划1教学课件.pptVIP

河北大学 吴彬 ( wubinbb@163.com ) 3遗传规划(1) 遗传规划技术介绍 遗传算法的局限性 遗传算法不适合描述层次化问题 遗传算法缺乏动态可变性 001110101110011000000010101001000 遗传算法的局限性 遗传算法不适合描述计算机程序 计算机程序可看成是一种层次化结构 遗传算法的局限性 总之 遗传算法一般用来解决能用定长字符描述的问题(遗传算法用字符串表达问题) 遗传规划一般用来解决需用不确定长度字符描述的问题。(遗传规划采用层次化结构表达问题) 遗传算法求解的是数值性结果。 遗传规划求解的是方法性结果（函数）。 遗传规划步骤 (1)确定个体表达方式 确定函数集和终止集 (2)随机产生初始种群 (3)计算各个个体的适应度 (4)根据下面一系列操作产生新个体 复制 交换 突变 (5)重复执行(3)(4)直到取得满意结果 3.3遗传规划基本技术 一、问题的表达 函数集 算术运算符 超越函数 布尔表达式 条件表达式 循环表达式 控制转移说明 变量赋值函数 其他 3.3.1问题表达 终止集 常数 变量 输入 3.3.1问题表达 将函数集和终止符集结合在一起可形成层次状个体 以奇-偶判断函数为例 奇-偶判断函数 三个变量的奇-偶判断函数 d0,d1,d2为变量 奇-偶判断函数 二个变量的奇-偶判断函数 d0,d1为变量 3.3.2初始群体生成 生成步骤 1从函数集中按均匀分布选取一个函数作为根结点 根结点从函数集中选取 若函数 有 个变量，则结点下有 条连线 2从 按均匀分布选取作为该线的尾结点 新结点仍然是函数，重复上述过程 新结点是终止符，该线停止生长 3从左到右，从上到下重复上述过程，直到形成一颗完整的树为止。 初始群体生成原理 例子 初始种群的生成方法 完全法 生长法 混合法 初始种群的生成方法 完全法 用完全法产生的初始个体，每一叶子的深度都等于给定叶子的最大深度 1从函数集中选择根结点 2根据给定的最大深度分别从函数集和终止集中选择元素 2.1如果待定结点深度小于给定的最大深度，从函数集F中选取结点 2.2如果待定结点深度等于给定的最大深度，从终止集T中选取结点 初始种群的生成方法 例子（假设给定的最大深度为3 ） 初始种群的生成方法 生长法 用生长法形成的初始个体，每一叶子深度不一定都等于给定的最大深度，但是算法树的最大深度要等于给定值。 初始种群的生成方法 选取方法 1从函数集中选择根结点； 2根据给定的最大深度分别从函数集和终止集中选择元素： 2.1如果待定结点深度小于给定的最大深度，从函数集F及终止集T的并集C＝F∪T中选取结点； 2.2如果待定结点深度等于给定的最大深度，从终止集T中选取结点。 初始种群的生成方法 例子（假设给定的最大深度为4） 初始种群的生成方法 混合法 为了提高种群的多样性，可采用混和法。 确定每个初始个体的算法树深度，初始个体的深度在2至给定的最大深度之间均匀选取，每一深度下初始个体数目所占百分比为。 D为给定的最大深度。 例：当D＝6时，2、3、4、5、6的个体各占20％。其次在每一深度中50％用完全法，50％用生长法。 3.3.3适应度分配 适应度是衡量个体优劣的尺度，也是遗传规划实现自然选择的依据。 后面的选择算子是根据适应度来进行个体的选择的 目标值与适应度 目标值是目标函数的结果。 适应度是对目标值的进一步改变，改变后的值作为“选择”算子选择的依据。 适应度 标准适应度 调整适应度 适应度调整的一种方法。 归一化适应度 Ranking适应度分配 思想：按某一原则对目标函数排序，适应度的分配根据排序后该个体在排序中的位置来分配。 线性Ranking 线性分级 q为最优个体的相对适应度（选择概率） d为相邻个体的相对适应度之差（相邻个体的选择概率之差） 写成通式 下面的问题是q和d如何确定。 线性Ranking 为了确定q或d的范围考虑两种极端情况 (1)d＝0 (2)d最大，即 q-(M-1)d=0 线性Ranking 把两种情况代入，计算得到q的变换范围，在范围内任选q，之后可根据下式计算d的大小。 线性Ranking M种群中个体数目 最优个体被选中概率 最差个体被选中概率 为了使得M保持常数 线性Ranking 等价推导 复制 比例选择法 竞技选择法 截断选择法 比例选择法 实质思想:是个体适应度越大，被选中的机会越大 选中的概率 为各个个体的适应度 概率累加 产生[0,1]均匀分布的随机数