遗传算法123介绍.pptVIP

遗传算法理论 减数分裂 联会四分体 染色体变异 物种、种群、群落 物种→种群→群落 某青蛙→青蛙种群→池塘生物群落 很多个体是种群，不同物种的种群加起来就是群落 遗传算法的基本概念和术语 与生物界的进化过程相类比，遗传算法中有以下几个非常重要的概念和术语： 种群（population） 染色体带有特征的个体的集合称为种群。该集合内个体数称为群体的大小。有时个体的集合也称为个体群。 适应度（fitness）度量某个物种对于生存环境的适应程度。对生存环境适应程度较高的物种将获得更多的繁殖机会。 选择（selection） 指决定以一定的概率从种群中选择若干个体的操作。一般而言，选择的过程是一种基于适应度的优胜劣汰的过程。 交叉（crossover） 将群体内的各个个体随机搭配成对，对每个个体以某个概率（交叉概率，交换它们之间的部分染色体， 变异（mutation） 对群体中的每个个体以某一概率（变异概率）改变某一个或某些基因座上的基因值为其它的等位基因。 编码（coding） DNA中遗传信息在一个长链上按一定的模式排列，也即进行了遗传编码。遗传编码可以看作从表现型到遗传子型的映射。 解码（decoding） 从遗传子型到表现型的映射。 GA的流程 遗传算法的基本实现技术BY朱诗颖 1.编码方法 2.适应度函数 3.选择算子 4.交叉算子 5.变异算子 6.遗传算法的运行参数 编码方法-基因 在遗传算法中，把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称为编码。 编码是遗传算法在首要解决的问题，它会影响到交叉算子，变异算子等运算方法，决定了运算的效率。 目前主要的编码方法： 1.二进制编码方法 2.浮点数编码方法 3.符号编码方法 二进制编码 遗传算法中最常用的一种编码方法，符号集是由二进制符号0和1所组成。符号串长度与问题所要求的解精度有关。 取值范围是 ,假设用长度为二进制编码符号来表示，则能产生 种不同的的编码。 若使编码对应关系如下： 格雷编码 格雷码的连续两个整数所对应的编码之间仅仅只有一个码位是不相同的。假设有一个二进制编码为B= ，其对应的格雷码为G= ， 由二进制到格雷码的转换公式： 遗传算法的局部搜索能力差，变异操作一个基因座的差异，对应的参数值却很大，格雷码则克服了这个弱点。 例如：对于区间[0,1023]中的两个邻近的整数x1=175和x2=176,若使用长度为10位的二进制编码为：x1=0010101111, x2=0010110000 而使用相同长度的格雷码： x1=0011111000, x2=0011101000; 可见在进行变异操作后格雷码能保持稳定行，差异较小，相对提高了局部搜索能力，便于进行连续空间的局部搜索。 其它常见的编码 浮点编码方法：个体的每个基因值用某一范围的一个浮点数表示，个体的编码长度等于其决策变量的个数。例如某个优化问题有5个变量Xi(i=1,2,...5),每个变量都有其对应上下限[ ], 则X： 就是一个基因型，对应表现型X=[5.80, 6.90, 3.50, 3.80, 5.00]。注意每个字节的限制范围！ 符号编码方法：个体染色体编码串中的基因取自一个无数值含义，而只有代码含义的符号集。例如n个城市被访问顺序可构成一个旅行路线个体X：[1,2,3,....n]. 多参数级联编码方法：针对多个变量的个体进行编码，每个参数可采用任何一种，有不同的上下界和编码长度和精度。 多参数交叉编码方法：先对各个参数分组编码，再将各个参数编码串中的最高位连接在一起，再取次高位的连接一起以此类推。 适度函数 与自然界的优胜劣汰类似，在遗传算法里使用适应度来衡量群体中各个个体接近最优解的优良程度。度量适应度的函数称为适度函数。遗传算法中可以根据优化问题的类型，利用目标函数转化成适度函数。 设目标函数为f(x),适度函数为F(x) 最大值问题： 最小值问题： 选择算子 选择操作建立在对个体适应度的评价基础之上 最常用的选择算子是比例算