第4章遗传算法.pptVIP

10001 11010 01011 00101 10001 11010 01011 00101 10001 11010 01011 00101 10001 11010 01011 00101 标准遗传算法(示例)——遗传算子 1）选择（复制） inter-mediate parent population : 01011 11010 10001 10001 probability of reproduction pi = fi / ?kfk selection is a stochastic process 标准遗传算法(示例)——遗传算子 2）交叉 0 1 1 0 | 1 0 1 1 0 0 1 1 0 0 | 0 1 1 0 0 1 3）变异 1 1 0 0 0 1 1 0 1 0 标准遗传算法(示例)——遗传算子 4.3 遗传算法的特点 基于群体的搜索。 直接处理的对象是参数的编码集而不是问题参数本身。 搜索过程中使用的是基于目标函数值的评价信息，搜索过程既不受优化函数连续性的约束，也没有优化函数必须可导的要求。 具有显著的隐并行性。（具有自学习能力） 形式上简单明了。 具有很强的鲁棒性。 4.4 遗传算法理论研究 遗传算法所追求的是当前群体产生比现有个体更好个体的能力，即遗传算法的可进化性或称群体可进化性。因此，遗传算法的理论和方法研究也就围绕着这一目标展开。 4.4 遗传算法理论研究 关于下面五个问题的回答，就成为GA理论研究的主要方向： 遗传算法为什么会具有很好的优化的能力？遗传算法如何更好地模拟复杂系统的适应性过程和进化行为？ 遗传算法在优化问题求解中怎样才能具备全局收敛性？ 遗传算法的搜索效率如何评价？ 遗传策略的设计和参数控制的理论基础是什么？ 遗传算法与其他算法如何结合？ 4.4．1 遗传算法的基础理论研究 遗传算法的基础理论主要以收敛性分析为主，即群体收敛到优化问题的全局最优解的概率。从整体上讲，可以分为基于随机过程的收敛性研究和基于模式理论的收敛性分析，我们将前者称为遗传算法的随机模型理论，后者称为遗传算法的进化动力学理论。 4.4．1 遗传算法的基础理论研究 1．随机模型理论 对于有限的编码空间和有限的群体，遗传算法的搜索过程可以表示为离散时间的马尔可夫链模型（Marko chain model），从而可以采用已有的随机过程理论进行严密分析。 Rudolph用齐次有限马尔可夫链证明了标准遗传算法收敛不到全局最优解，但是如果采用精英保留策略，那么遗传算法是收敛的。 4.4．1 遗传算法的基础理论研究 2．进化动力学理论 基于某种具体计算形式的遗传算法的进化行为分析构成了进化动力学理论的基本内容。 由Holland提出的模式定理可以称为遗传算法进化动力学的基本定理。 积木块假设描述了遗传算法的重组功能。 模式定理和积木块假设构成了求解优化问题时遗传算法具备发现全局最优解的充分条件，也是分析遗传算法的进化行为的基本理论，统称为模式理论。 另，生成函数 4.4．2 遗传策略研究与设计 为了维持群体可进化性并最终搜索到问题的全局最优解，遗传算法必须采用合适的计算形式（计算流程、种群规模、种群初始化策略、GA算子、终止条件等），这就是遗传策略研究与设计的主要研究内容。 在研究和设计遗传策略时，一般考虑遗传算法应具备两个方面的能力： 探索（exploration）能力：发现新模式的能力，GA探索未知解空间的能力。 开发（exploitation）能力：根据已有知识发现局部最优解的能力。 又称求泛（reforming）与求精（refining）能力。 4.4．2 遗传策略研究与设计 遗传策略研究与设计可以分为微观遗传策略研究和宏观遗传策略研究两部分。 微观遗传策略：主要讨论群体规模、遗传算子的形式和参数设计，及其对GA求解能力的影响。 宏观遗传策略：主要讨论关于通过GA流程的再设计，改变GA的宏观特征，或者以GA流程为基础，引入其他算法构成混合GA，以期提高GA求解问题全局最优解的能力。 4.4．3 遗传算法其他问题 NFL（no free lunch）定理 约束问题的求解（抛弃、修正、惩罚非法解） 多目标优化问题的求解 并行遗传算法研究 遗传学习系统 4.4.4 遗传算法的模式理论 模式与模式空间 模式的阶（schema order）是指模式中所含有0、1确定基因位的个数，记作O(H)。 模式的定义距（defining length）是指模式中从左到右第一个非 * 位和最后一位非 * 位之间的距离，记作 模式的维数（schema dimension）是指模式中所包含的位串的个数，也称为模式的容量，记作