管理决策方法(神经网络及遗传算法).ppt

可见模式H4得以生存，模式H5被淘汰。　　交叉运算中只有部分染色体串参加，因此还有一个指标称为交叉率，常用pc表示，其大小为参加交叉的染色体串数与全部染色体之比。在引进交叉率pc以后，一个模式的实际存活概率公式修改为 　 设pc=0.7，H4和H5的实际存活率将分别为 说明H5仍有存活机会，其原因是所有的染色体没有全部参加交叉。　　现在考察交叉位置发生在一个模式的固定位置之间，结果表明该模式仍有存活机会。例如有下面两个染色体：　　　　　　　　基因位　1234　5678　　　　　　　　　S1=　 1110　1001　　　　　　　　　S2=　 1100　1000当交叉位置发生在第2、3、4、5、6、7基因位前，模式H5仍能存活。相应的染色体串如下：　　交叉位置在第2基因位前：1100 1000；　　交叉位置在第3基因位前：1100 1000； 　　交叉位置在第4基因位前：1110 1000；　　交叉位置在第5基因位前：1110 1000；　　交叉位置在第6基因位前：1110 1000；　　交叉位置在第7基因位前：1100 1000。　　考虑到上述可能性较小，模式存活概率公式可修改成 　 综合选择与交叉两种运算，模式复制增长方程式为 上式表明，经过选择与交叉产生下一代模式的数量，与上一代的数量、定义长度、模式适应度、存活概率有关。m(H，t)越多，f(H)越大，δ(H)越小，下一代模式数量越多。 　　3. 变异算子　　变异操作按变异概率pm随机改变一个染色体串上的某一位，例如对二进制编码，将0变为1，或将1变为0。　　若变异概率为pm，则1－pm为不被改变的概率，或称为保持概率。　　要想模式经过变异后还能存活，条件是该模式上所有固定位保持不变。以染色体S5为例，设　　　　　　　　　S5=1100 1000它与　　　　　　　　　H3=1 1 * * * * 0 0 相匹配。如果变异后要求H3不变，那么只能是H3中所有固定位保持不变。H3存活的概率可写成 该式可写成一般式： 式中，1－pm就是保持概率，O(H)是模式的阶。通常pm1，上式能近似写成 　　　　　　　　　ps(H)≈1－pmO(H) 设　　　　　H1　=　*　1　1　*　 *　*　*　* 　　　　　H2　=　1　1　*　*　 *　*　*　*　　　　　H3　=　1　1　*　*　 *　*　0　0则　　　　ps(H1)=1－pmO(H1)=1－0.005×2=0.99　　　　ps (H2)=1－pmO(H2)=1－0.005×2=0.99　　　　ps (H3)=1－pmO(H3)=1－0.005×4=0.98综合选择、交叉和变异算子，模式H复制后增加的数量为 上述不等式是模式H复制后增长数量的方程式，它是在适应度函数为正的前提下导出的。模式匹配的染色体串数是增加还是减少，也能由上述不等式预测。如果选用的适应度函数不能保证全为正值，需要进行映射操作，确保映射后的适应度数值为正。　　本节小结如下：　　(1) 模式的平均适应度是决定模式增减的主要因素；　　(2) 选择算子不能产生新的模式，交叉算子和变异算子通过结构化方式利用随机交换基因位产生新的模式；　　(3) 模式的定义长度用于描述交叉算子对模式生存的影响，定义长度短的模式容易生存； 　　(4) 模式的阶用于描述变异算子对模式生存的影响，低阶的模式容易生存；　　(5) 模式定理阐明了遗传算法的运行机理，通过短的、低阶的模式交叉或变异进行空间搜索，在种群中迭加运算，让高品质的模式得以组合，最终获得高质量的染色体，完成优化过程。 　　　　8.4 遗传算法中的编码操作　　所谓编码是一种转换操作，将问题空间中的解变量转换成遗传空间中的染色体，这些染色体由基因按一定排列方式组成。这个转换过程就是编码。以染色体为一串二进制数为例，基因就是其中的二进制位，编码就是将实际问题的解转变成一定规律的二进制串。　　解码是编码的逆操作，表述成将染色体的编码映射到问题空间的操作。 8.4.1 遗传算法设计流程　　遗传算法面对两个空间：一个是问题空间，或称解空间，在此空间内完成对解的评价与选择；另一个是遗传空间，或称编码空间，在此空间内对染色体实施遗传运算。　　讨论遗传算法设计流程的意义在于如何利用遗传算法达到实际需要的精度。算法本身没有任何物理意义，它仅仅只是一种数学表达，那么在书写数学表达式的时候，必然存在三个问题需要解决：　　(1) 如何选择合适的编码方式；　　(2) 如何确定适应度函数、概率、遗传算子及相关参数；　　(3) 如何将求解问题转化成算法所能接受的模型。 8.4.2 遗传算法中的编码规则　　编码方案需要达到两个目的：必须完备和完全对立。　　(1