第7章 进化计算.pptVIP

计 算 智 能 第7章 进化计算 7.1遗传算法概述 7.2基本遗传算法 7.3遗传算法的数学理论基础 7.4遗传算法的实现技术 自然界中的生物对其生存环境具有优良的自适应性，各种物种在竞争的环境中生存，优胜劣汰，使得物种不断改进。 生物学家和计算机学家各自从自己学科的角度出发，对其进行了机理研究和应用研究。 生物学家偏重于对其进化机制的研究，提出了多种生物进化的机理，以探索生物进化的奥秘；而计算机学家则偏重于对生物进化机理及生物系统的模拟，以便构成一类复杂的人工自适应系统。而计算智能的迅速发展也体现了生物学与计算机科学的相互交叉、相互渗透和相互促进。 近几十年以来，人类正在将其模仿的范围延伸到了人类的自身。神经网络是人类对其大脑信息处理机制的模拟，模糊系统是人类对其思维方式的模拟，而进化计算是人类对其自然进化过程的模拟。 依照达尔文的自然选择规律和孟德尔的变异理论，生物的进化是通过繁殖、变异、竞争和选择这四种基本形式来实现的。因而，如果把待解决的问题理解为对某个目标函数的全局优化，则进化计算即是建立在模拟上述生物进化过程基础上的随机搜索优化技术。 进化计算(evotutionary computation，EC)也可以称之为进化算法(evolutionary algorithms，EA)，它是一类模拟生物进化过程求解问题的智能技术。 进化计算起源于20世纪60年代J.Holland对机器学习问题所发展的遗传算法(genetic algorithms，GA)，I.Recenberg和H.P.Schwefel用于数值优化问题的进化策略(evolution strategies，ES)及L.J.Fogel对于优化模拟系统所提出的进化规划(evolutionary programming，EP)。即： (1) 遗传算法(GeneticAlgorithm，GA) 　　 遗传算法是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索算法。 　(2) 进化规划(EvolutionaryProgramming，EP) 　　 进化规划主要用于预测和数值优化计算。 (3) 进化策略(EvolutionaryStrategy，ES) 　　 进化策略主要研究经验性寻优过程，以便获得一个最优化的策略。 下面将分别介绍进化策略、进化规划和遗传算法： 进化策略 进化策略是由德国学者I Rechenberg和H.P.Schwefel等人在1973年最先提出的一种优化算法。其主要构成技术如下。 (1)个体表示方法 　　在进化策略中，搜索空间是一个n维空间，与此相对应，搜索点就是一个包含在n维空间中的一个n阶向量x。算法中，组成进化群体的每一个个体都是由两部分组成，其中一部分是可以取连续值的向量，另一部分是一个微小的变动量。这个变动量是由n维空间的正态分布的标准偏差构成的步长和正态分布的协方差构成的回转角组成的，它们可以用来调整对个体进行变异操作时变异量的大小和方向。 (2)适应度评价 　　在进化策略中，设定每个个体的适应度就等于其所对应的目标函数值，而不再对所求优化问题的目标函数值进行任何变换处理，这主要是由于优化策略中的选择运算是按照一种确定的方式来进行的缘故，每次都是从当前群体中选择出一个或几个适应度高的个体保留到下一代群体中，这里只有个体适应度之间的大小关系比较运算，而无算术运算，所以对个体适应度是取正值还是取负值无特别要求。 (3)变异算子 　　在进化策略中，变异操作是产生新个体的一种最主要的方法。如果群体中某个个体经过变异运算后得到一个新的个体，则新的个体组成的元素受到变异运算时的整体步长和个体步长的影响。 (4)交叉算子 　　在进化策略中，交叉操作只是一种辅助的搜索运算。任一群体中的两个个体随机配对，则对这两个个体进行交叉操作后会产生一个新的个体，个体中的元素可能出现3种交叉方式：无交叉、直接交叉和加权平均交叉。 (5)选择算子 在进化策略中，选择操作是按照一种确定的方式来进行的。目前在进化策略中所使用的选择方法主要有如下两类：一类是从A个父代个体中选择出u个适应度最强的个体，将它们保留到子代群体中，这类选择方法记为(u，λ)—ES进化策略；另一类是u个父代个体和其产生的A个子代个体合并在一起，并从中选择u个适应度最高的个体保存到子代群体中，这类方法记为(u+λ)—ES进化策略。 根据算法中所采用的具体选择方法不同，也就产生了不同类型的进化策略。目前常用的进化策略如下。 　　 ①(1+1)—ES：爬山法。 　　 ②(1,1)—ES：随机搜索法。 　　 ③(1+u)—ES：邻接搜索法。 　　 ④(1，u)—ES：邻接搜索法。 　　 ⑤(u+λ