2013秋大学计算机第4章课件—张丽杰.pptVIP

第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 3）交叉、变异与随机处理遗传规则问题 变异操作是对群体中的某些个体染色体的某些基因进行突变处理 变异概率(PM, probability of mutation)，控制着遗传算法中变异操作的使用频率。 变异操作的基本步骤： a)对种群中所有个体以事先设定的变异概率判断是否进行变异； b)对进行变异的个体随机选择变异位置进行变异。 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 3）交叉、变异与随机处理遗传规则问题 引入变异操作的目的： 一是使遗传算法具有局部的随机搜索能力。当遗传算法通过交叉操作已接近最优解邻域时，利用变异操作的局部随机搜索能力可以加速向最优解收敛。显然，此种情况下的变异概率应取较小值，否则接近最优解的可行解会因变异而遭到破坏。 二是使遗传算法可维持群体多样性，以防止还未找到满意解便出现算法收敛终止的情况，通俗来讲就是原来在一个圈子中进行搜索，通过变异可以使搜索跳出这个圈子进入到另外的圈子中，扩大了搜索范围。 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 4）遗传算法的其他问题 适应度函数的选择，主要考察其是否能度量一个可能解接近最优解的程度和方向 一般取最大值函数，要求单值、连续、非负、最大化。此外，合理性、一致性、计算量小、通用性强也是重要的考察要素。在具体应用中，适应度函数的设计要结合求解问题本身的要求而定。 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 4）遗传算法的其他问题 初始种群中的个体通常是随机产生的。初始种群的设定可采取如下的策略： 根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围 然后，在此分布范围内设定初始种群，直到初始种群中个体数达到了预先确定的规模 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 4）遗传算法的其他问题 终止条件通常有以下几种： (1)进化次数限制进化到指定的代数即可终止算法； (2)计算耗费的资源限制（如计算时间、计算占用的内存等）--当达到一定的资源占用量时可终止算法，如当产生超过一定数量的不重复可行解后即可终止； (3)某一个个体已经满足最优值的条件，即最优值已经找到； (4)适应度已经达到饱和，继续进化不会产生适应度更好的个体； (5)人为干预； (6)以上两种或更多种的组合。 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 5）遗传算法的进一步思考 思考1：遗传算法的收敛速度和解的质量有什么关系呢？ 解的质量，可以使用“近似率”来衡量，所谓近似率是指算法求得的解与问题最优解的近似程度。 收敛速度，是指对于具有迭代特征的近似算法，在迭代多少次后能够使得结果稳定(通俗来讲，即结果不再随进一步迭代而发生变化或发生极小的可以被忽略的变化)，它从一定程度反映了算法求解的“快慢” “在执行相同次数的迭代后，近似率高的算法更好” “在达到期望的满意解的前提下，迭代次数越少越好” 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 5）遗传算法的进一步思考 思考2：遗传算法各项参数对算法收敛速度和解的质量有什么影响？ 各次迭代的种群规模大小，尤其是初始种群规模大小对算法的性能有什么影响呢？ 不同的交叉变异规则反映了算法对可能解空间的覆盖范围，覆盖范围越大则获得最优解的概率也越大。 此外，如变异率、交叉率等，对算法的性能又有什么影响呢？ 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 3.遗传算法暨问题求解算法的进一步探讨 5）遗传算法的进一步思考 思考3：染色体编码中什么是“遗传基因”，怎样发现种群的遗传基因，怎样使遗传基因被遗传被继承？ 以二进制染色体编码为例，通常认为染色体基因就是一个二进制位，如果一个种群的优质个体的编码中“值相同位”越多的是否就是遗传基因呢？ 亦或是“0、1组合相同的片段”越多是否就是遗传基因呢？例如，自左而右第3-4位“10”有4个相同，它是否是遗传基因呢？ 发现了遗传基因后，在交叉变异重组时又怎样使其不受破坏呢？ THE END 第4章 算法与复杂性 * * * 第4章 算法与复杂性 * 4.3遗传算法—计算复杂性与仿生学算法示例 2.遗传算法 1）生物