遗传算法－讲义.ppt

遗 传 算 法 浙江大学信息学院 2005 年 3 月 绪论 基本概念 遗传算法的基本流程 遗传算法的应用示例 遗传算法的性能评估 第一章 绪 论 第一章 绪论 遗传算法（Genetic Algorithms，GA）是基于生物进化理论发展起来的一种广为应用的、高效的随机搜索与优化的方法。 第一章 绪论 1975年，霍兰教授发表了第一本比较系统论述遗传算法的专著《自然系统与人工系统中的适应性》（《Adaptation in Natural and Artificial Systems》）。 20世纪80年代，Holland实现了第一个基于遗传算法的机器学习系统----分类器系统，开创了基于遗传算法学习的新概念，为分类器系统构造出了一个完整的框架。 第一章 绪论 1975年，De Jong在其博士论文中结合模式定理进行了大量的纯数值函数优化计算实验，树立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。 1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》。该书系统总结了遗传算法的主要研究成果，全面而完整地论述了遗传算法的基本原理及其应用。 第一章 绪论 1991年，L.Davis出版了《遗传算法手册》，为推广和普及遗传算法的应用起到了重要的指导作用。 1992年，J.R.Koza成功地将提出的遗传编程方法应用于人工智能、机器学习、符号处理等方面。 第一章 绪论 1.2遗传算法的应用领域： 第一章 绪论 （5）免疫系统：应用遗传算法可以对自然界中免疫系统的多个方面建立模型，研究个体的生命过程中的突变现象以及发掘进化过程中的基因资源。 （6）生态学：遗传算法可以应用于对生态学的一些现象进行建模，包括生物间的生存竞争，宿主——寄生物的共同进化，共生现象，甚至包括生物学“军备竞赛”。 第一章 绪论 （7）进化现象和学习现象：遗传算法可以用来研究个体是如何学习生存技巧的，一个物种的进化对其他物种会产生何种影响等等。 （8）社会经济问题：遗传算法可以用来研究社会系统中的各种演化现象，例如在一个多主体系统中，协作与交流的是如何演化出来的。 第一章 绪论 1.3遗传算法的特点： 遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体。使得遗传算法可直接对结构对象进行操作。 许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。 第一章 绪论 遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜索方向。 具有自组织、自适应和自学习性。 第二章 遗传算法中的基本概念 2.1遗传算法与生物进化 遗传算法主要借鉴了生物进化中适者生存的规律。 生物进化的基本过程： 第二章 遗传算法中的基本概念 2.2基本概念 基因（gene）：是指染色体的一个片段，基因可以是一个数值、一组数或一串字符。 串（string）及串空间：串是个体的表达形式，对应着遗传学中的染色体。对应实际问题的一个解。 第二章 遗传算法中的基本概念 交叉（crossover）：指在一定条件下两条染色体上的一个或几个基因相互交换位置。 交叉概率：判断是否满足交换条件的一个小于1的阀值 第二章 遗传算法中的基本概念 后代：染色体经过交叉或变异后形成的新的个体。 第二章 遗传算法中的基本概念 群体（population）：又称种群、染色体群，个体（individual）的集合，代表问题的解空间子集。 群体规模（population size）：染色体群中个体的数目称为群体的大小或群体规模。 第三章 遗传算法的基本流程 3.1遗传算法的基本流程： 1．编码 2．初始群体的生成 3．适应度评估检测 4．WHILE 未满足迭代终止条件 DO （1）选择 （2）交叉 （3）变异 （4）适应度评估检测 5．END DO 第三章 遗传算法的基本流程 3.2遗传编码 定义：由问题空间向GA编码空间的映射称为编码，而有编码空间向问题空间的映射成为译码。 问题编码一般应满足以下三个原则： 1）完备性（completeness）：问题空间中的所有点都能成为GA编码空间中的点的表现型 2）健全性（soundness）：GA编码空间中的染色体位串必须对应问题空间中的某一潜在解。 3）非冗余性（non-redundancy）：染色体和潜在解必须一一对应 第三章 遗传算法的基本流程 编码形式： （1）二进制编码：0 ，1编码 （2）其