进化计算概论 - 湖南大学.ppt

“智能”是“信息”的精彩结晶 “智能科学技术”是“信息科学技术”的辉煌篇章 “智能化”是“信息化”发展的新动向和新阶段 —— 摘自《〈智能科学技术著作丛书〉序》 遗传算法及其理论分析 湖南大学软件学院 欧阳柳波 达尔文进化论 1859年11月达尔文经过20多年研究而写成的科学巨著《物种起源》，书中用大量资料证明了形形色色的生物都不是上帝创造的，而是在遗传、变异、生存斗争中和自然选择中，由简单到复杂，由低等到高等，不断发展变化的，提出了生物进化论学说，从而摧毁了各种唯心的神造论和物种不变论。 恩格斯将“进化论”列为19世纪自然科学的三大发现之一（其他两个是细胞学说，能量守恒和转化定律）。 生物模拟计算 20世纪40年代,生物模拟就成为科学计算的一个组成部分。 如自动机理论假设机器由类似神经元的基本单元组成。 人工神经网络的研究明显得益于生物学理论与成果。 人工生命的研究… 进化计算 进化计算是人工智能发展的一个重要分支。 进化计算用于求解复杂的优化问题，已成功应用于诸多工程领域，如： 作业调度与排序 车辆路径选择与调度 可靠性设计 设备布置与分配 交通问题 网络优化等 进化计算 起始于20世纪50年代，由几位计算机科学家独立地开始研究进化系统,其思想是将自然界中的进化过程引入工程研究领域以解决工程中的优化问题。 20世纪60年代形成进化策略、进化规划、遗传算法三个分支，它们共同构成进化计算的主要框架。 20世纪90年代以来，进化计算发展迅速，三个分支之间差异越来越小。 进化计算 进化策略（evolution strategies)，由Rechenberg提出，Schwefel进行了发展，该方法用于优化实值函数。 进化规划(evolution programming)，由Fogel,Owens和Walsh提出，该方法把给定的问题描述成有限状态机（finite state machines)，通过施加进化算子，达到优化目的。 遗传算法（evolution algorithms),由Holland提出，其同事和学生进一步发展该算法，遗传算法由于简单易用,求解准确,逐渐成为发展主流。 遗传算法基本思想 遗传算法是一种基于生物自然选择与遗传机理的随机搜索算法。 遗传算法从一组随机产生的初始解，称为种群，开始搜索过程。种群中的每一个个体是问题的一个解，称为染色体，染色体是一串符号，如二进制字符串，这些染色体在后续迭代中不断进化，称为遗传。在每一代中用适应度值来测量染色体的好坏。生成下一代染色体称为后代，后代由前一代染色体通过交叉或变异运算形成。在新一代中根据适应度值大小选择部分后代，淘汰部分后代，从而保持种群大小是常数。适应度值高的染色体被选中的概率较高。这样经过若干代后，算法收敛于最好的染色体，它很可能就是最优解或次优解。 遗传算法的基本概念 基因链码（染色体Chromosome） 群体（Population） 交叉（Crossover） 变异（Mutation） 适应度（Fitness） 选择（Selection） 基因链码 把问题的每一个解编码为一个基因链码。 基本编码方法有：二进制编码、实数编码、符号编号 假设1552是问题的一个解，用其二进制形式1100001000来表示这个解所对应的基因链码，其中每一位代表一个基因。 每个基因链码也被称作为一个个体。 基因链码也被称作染色体。 群体 一个群体是若干个个体的集合。 一个群体就是问题的一些解的集合。 例如：P1={x1,x2,…x100}就是由100个解（个体）构成的群体。 通常采用随机方法来产生初始群体。产生初始群体包括初始群体数目设定和进化过程中各代规模问题。 交叉 许多生物的繁衍是通过染色体的交叉完成的。在遗传算法中，把交叉作为一个操作算子。 交叉算子实现过程： （1）选择双亲x1,x2； （2）随机地选取一个截断点，将x1,x2的基因链码在截断点切开； （3）交换其后半部分，从而组合成两个新的个体x1’，x2’ 交叉算子是按一定概率发生的，这一概率称为交叉概率。 双亲 后代 x1 1000 | x1’ 1000 x2 0110 | x2’ 0110 变异 生物体的繁衍过程中，变异是一个重要步骤。通过在染色体上的某些基因位置产生突变，使得新产生的个体与其他个体有所不同。 变异算子的实现方法：对于