进化计算与遗传算法.pptVIP

4.1 概 述 4.2 进化计算的基本原理 4.3 进化计算的理论与分析 4.4 遗传算法的改进 4.5 进化计算的应用 4.6 小 结 第四章 进化计算与遗传算法 4.1 概 述 从生物进化到进化计算 进化计算的主要分支 进化计算的主要特点 进化计算的理论研究 进化计算的应用 从生物进化到进化计算 生物进化过程的发生需要四个基本条件： 1）存在有多个生物个体组成的种群； 2）生物个体之间存在着差异，或群体具有多样性； 3）生物能够自我繁殖； 4）不同个体具有不同的环境生存能力，具有优良基因结构的个体繁殖能力强，反之则弱。 从生物进化到进化计算 生物群体的进化机制可以分为三种基本形式： 自然选择：控制生物体群体行为的发展方向，能够适应环境变化的生物个体具有更高的生存能力，使得它们在种群中的数量不断增加，同时该生物个体所具有的染色体性状特征在自然选择过程中得以保留 从生物进化到进化计算 杂交：通过杂交随机组合来自父代染色体上的遗传物质，产生不同于它们父代的染色体。生物进化过程不需要记忆，能很好地适应自然环境的信息都包含在当前生物体所携带的染色体的基因库中，并由子代个体继承下来。 从生物进化到进化计算 突变：随机改变父代个体的染色体上的基因结构，产生具有新染色体的子代个体。变异是一种不可逆过程，具有突发性、间断性和不可预测性，对于保证群体的多样性具有不可替代的作用。 另外，生物进化是一个开放的过程，自然界对进化中的生物群体提供及时的反馈信息，或称为外界对生物的评价。由此形成了生物进化的外部动力机制。 从生物进化到进化计算 进化计算的特点： 进化计算采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。 它采用种群（即一组表示）的方式组织搜索，这使得它可以同时搜索解空间内的多个区域。而且用种群组织搜索的方式使得进化算法特别适合大规模并行计算。 从生物进化到进化计算 在赋予进化计算自组织、自适应和自学习等特征的同时，优胜劣汰的自然选择和简单的遗传操作使进化计算具有不受其搜索空间限制性条件（如可微、连续、单峰等）的约束及不需要其它辅助信息（如导数）的特点 这些崭新的特点使得进化计算不仅能获得较高的效率而且具有简单、易于操作和通用的特性，而这些特性正是进化计算越来越受到人们青睐的主要原因之一 进化计算的主要分支 四大主要分支： 遗传算法（genetic algorithm，简称GA）、 进化规划（evolutionary programming，简称EP） 进化策略（evolution strategy，简称ES） 遗传程序设计（genetic programming，简称GP） 进化计算的主要分支 ——遗传算法 到20世纪60年代中期，美国Michigan大学的John Holland在A. S. Fraser和H. J. Bremermann等人的工作的基础上提出了位串编码技术 ，这种编码既适合于变异又适合于交配（即杂交）操作，并且他强调将交配作为主要的遗传操作 J. Holland将该算法用于自然和人工系统的自适应行为的研究之中，并于1975年出版其开创性的著作“Adaptation in Natural and Artificial Systems” 进化计算的主要分支 ——遗传算法 后来，J. Holland与他的学生们将该算法加以推广并应用到优化及机器学习等问题之中，而且正式定名为遗传算法。遗传算法的通用编码技术及其简单有效的遗传操为其广泛的应用和成功奠定了基础 J. Holland的遗传算法常被称为简单遗传算法（简记SGA），SGA的操作对象是一群二进制串（称为染色体、个体），即种群（population） 进化计算的主要分支 ——进化策略 在20世纪60年代初，当时在柏林工业大学的I. Rechenberg和H. P. Schwefel等在进行风洞实验时，由于在设计中描述物体形状的参数难以用传统的方法进行优化，从而他们利用生物变异的思想来随机地改变参数值并获得了较好的结果 随后，他们便对这种方法进行了深入的研究和发展，形成了进化计算的另一个分支——进化策略（ES） 进化计算的主要分支 ——进化策略 （l＋1）进化策略或二元（two－membered）进化策略： 种群中只包含一个个体，而且只使用变异作。在每一进化代，变异后的个体与其父体进行比较再选择两者之优。它使用的变异算子是基于正态分布的变异操作 进化策略 种群内含有 个个体，随机地选取一个个体进行变异，然后取代群体中最差的个体 进化策略 根据种群内的