遗传算法导论课件.doc

遗传算法导论 Introduction to Genetic Algorithms ?I 简介 遗传算法是进化计算技术的一部分，而进化计算技术在人工智能领域得到飞速的发展。 你或许已经在想：遗传算法是不是受到了达尔文进化论的启发？简单地说，用遗传算法求解问题时，问题的解是在不断进化中得到的。 ? 历史 二十世纪六十年代，I.Rechenberg在他的《演化战略》中第一次引入了进化算法的思想（起初称之为Evolutionsstragegie）。他的这一思想逐渐被其他一些研究者发展。遗传算法（Genetic Algorithms） 是John Holland 发明的，后来他和他的学生及他的同事又不断发展了它。终于，在1975年John Holland 出版了专著《自然系统和人工系统中的自适应》（Adaption In Natural and Artificial Systems）。 1992年，John Koza 曾经使用遗传算法编出新的程序去做一些具体的工作。他称他的这种方法为“进化规划”（Genetic Programming，简称GP）。其中使用了LISP规划方法，这是因为这种语言中的程序被表示为“分析树”（Parse Tree），而这种遗传算法就是以这些分析树为对象的。 ? II 生物学背景 基因 所有的生物都是由细胞组成的。在每一个细胞中都有想同序列的染色体。染色体是一串DNA的片断，它为整个有机体提供了一种复制模式。 染色体是由基因组成的，或者说染色体就是一块块的基因。每一个基因为一个特定的蛋白质编码。或者更简单的说，每一个基因为生物体的某一特定特征编码，比如说眼睛的颜色。所有可能的某一特定特征的属性（比如，蓝色，桔黄色等）被称之为等位基因。每一个基因在染色体上都有其特定的位置，这个位置一般被称作位点（Locus）。 全部序列的基因物质（或者全部的染色体）称之为基因组（或染色体组）（Genome）。基因组上特定序列的基因被称作基因型（Genotype）。基因型和后天的表现型两者是有机体的显性、生理和心理特征比如说眼睛的颜色、智力的基础。 ? 复制（Repeoduction） 在复制中，首先发生的是交叉（Crossover）。来自于父代的基因按照一定的方式组成了新的基因。新的子代还可能发生变异（Mutation）。变异的意思是DNA上的某一些成分发生了一点点的变化。这些改变可能是由于在由父代到子代的基因复制中出现的误差。 生物体的适应度由生物体自身是否能生存来度量的。 ? III 搜索空间 搜索空间（Search Space） 在很多情况下,我们解决一个问题就是从一大堆的数据中寻找一个解，而通常这个解都是混杂在数据中的。所有可行解（Feasible Solution可行解就是满足了一定约束条件的解）组成的空间称之为搜索空间（也可以称之为状态空间）。搜索空间中的每一个点都是一个可行解。每一个可行解都可以被它的函数值或者它的适应度所标记。记住：问题的解就是搜索空间中的一个点，于是我们就是要从搜索空间中找到这个点。 这样，求解问题就可以转化为在搜索空间中寻找极值点（最大值或者最小值点）。搜索空间在求解问题时可能是完全已知的，但一般来说我们只知道一些孤立的点，然后我们逐渐地生成其它点。问题是，这个搜索过程可能很复杂，我们甚至不知道该去哪里搜索或者该从是么地方开始搜索。事实上，有很多寻找合适解（注意：不一定是最优解）的方法，比如说爬山法（Hill Climbing）禁止接近法(Tabu Search),模拟退火算法(Simulated Annealing)以及遗传算法等等.用遗传算法求解出来的解一般被认为是一个比较好的解,因为我们没有办法证明它是最优解. ? NP难题(NP-hard) 举一个比较难的NP问题,这个问题无法用传统的方法解决。 我们知道很多问题有快速的算法(多项式算法).但是,也有很多问题是无法用算法解决的。事实上，已经证明很多问题不可能在多项式时间内解决出来。 但是，有很多很重要的问题他们的解虽然很难求解出来，但是他们的值却是很容易求可以算出来的。这种事实导致了NP完全问题。NP表示非确定的多项式（Nondeterministic Polynomial），意思是这个问题的解可以用非确定性的算法“猜”出来。如果我们有一个可以猜想的机器，我们就可以在合理的时间内找到一个比较好的解。 NP-完全问题学习的简单与否，取决于问题的难易程度。因为有很多问题，它们的输出极其复杂，比如说人们早就提出的一类被称作NP-难题的问题。这类问题不像NP-完全问题那样时间有限的。 因为NP-问题由上述那些特征，所以很容易想到一些简单的算法――把全部的可行解算一遍。但是这种算法太慢了（通常时间复杂度为O（2^n