4计算智能.ppt

4.1.1 什么是计算智能概念解释 4.1.1 什么是计算智能 研究领域 4.1.2 计算智能的产生与发展 4.1.3 计算智能与人工智能的关系 ②实值交叉 实值交叉是在实数编码情况下所采用的交叉操作，主要包括离散交叉和算术交叉，下面主要讨论离散交叉（部分离散交叉和整体离散交叉） 。 部分离散交叉是先在两个父代个体的编码向量中随机选择一部分分量，然后对这部分分量进行交换，生成子代中的两个新的个体。 整体交叉则是对两个父代个体的编码向量中的所有分量，都以1/2的概率进行交换，从而生成子代中的两个新的个体。 以部分离散交叉为例，假设两个父代个体的n维实向量分别是 X=x1x2… xi…xk…xn和Y=y1y2…yi…yk…yn，若随机选择对第k个分量以后的所有分量进行交换，则生成的两个新的个体向量是： X’= x1 x2 … xk yk+1 … yn Y’= y1 y2 … yk xk+1 … xn 例4.11 设有两个父代个体向量A=20 16 19 32 18 26和B=36 25 38 12 21 30，若随机选择对第3个分量以后的所有分量进行交叉，则交叉后两个新的个体向量是： A’= 20 16 19 12 21 30 B’= 36 25 38 32 18 26 4.3.2 遗传算法 5. 基本遗传操作(9/11) (3) 变异操作 变异（Mutation）是指对选中个体的染色体中的某些基因进行变动，以形成新的个体。变异也是生物遗传和自然进化中的一种基本现象，它可增强种群的多样性。遗传算法中的变异操作增加了算法的局部随机搜索能力，从而可以维持种群的多样性。根据个体编码方式的不同，变异操作可分为二进制变异和实值变异两种类型。 ① 二进制变异 当个体的染色体采用二进制编码表示时，其变异操作应采用二进制变异方法。该变异方法是先随机地产生一个变异位，然后将该变异位置上的基因值由“0”变为“1”，或由“1”变为“0”，产生一个新的个体。 例4.12 设变异前的个体为A=0 0 1 1 0 1，若随机产生的变异位置是2，则该个体的第2位由“0”变为“1”。 变异后的新的个体是A’= 0 1 1 1 0 1 。 4.3.2 遗传算法 5. 基本遗传操作(10/11) ②实值变异 当个体的染色体采用实数编码表示时，其变异操作应采用实值变异方法。该方法是用另外一个在规定范围内的随机实数去替换原变异位置上的基因值，产生一个新的个体。最常用的实值变异操作有: 基于位置的变异方法 该方法是先随机地产生两个变异位置，然后将第二个变异位置上的基因移动到第一个变异位置的前面。 例4.13 设选中的个体向量C=20 16 19 12 21 30，若随机产生的两个变异位置分别时2和4，则变异后的新的个体向量是： C’= 20 12 16 19 21 30 基于次序的变异 该方法是先随机地产生两个变异位置，然后交换这两个变异位置上的基因。 例4.14 设选中的个体向量D=20 12 16 19 21 30，若随机产生的两个变异位置分别时2和4，则变异后的新的个体向量是： D’= 20 19 16 12 21 30 4.3.2 遗传算法 5. 基本遗传操作(11/11) 例4.15 用遗传算法求函数 f(x)=x2 的最大值，其中x为[0，31]间的整数。 解：这个问题本身比较简单，其最大值很显然是在x=31处。但作为一个例子，它有着较好的示范性和可理解性。 按照遗传算法，其求解过程如下： (1) 编码 由于x的定义域是区间[0，31]上的整数，由5位二进制数即可全部表示。因此，可采用二进制编码方法，其编码串的长度为5。 例如，用二进制串00000来表示x=0,11111来表示x=31等。其中的0和1为基因值。 (2) 生成初始种群 若假设给定的种群规模N=4，则可用4个随机生成的长度为5的二进制串作为初始种群。再假设随机生成的初始种群（即第0代种群）为： s01=0 1 1 0 1 s02=1 1 0 0 1 s03=0 1 0 0 0 s04=1 0 0 1 0 4.3.2 遗传算法 6. 遗传算法应用简例(1/10) (3) 计算适应度 要计算个体的适应度，首先应该定义适应度函数。由于本例是求f(x)的最大值，因此可直接用f