基因演算法的优点.ppt

第十一章 基因演算法 (Genetic Algorithms) * * 基因演算法(Genetic Algorithms)也和記憶基礎理解及類神經網路相同，是建立在類比生物思考過程之上。數百萬年來物競天擇使生物不斷進化，也更適應環境，生存下來的適者會藉由繁衍，將自身的基因傳遞給下一代。增加個體對環境的適應性來解決問題。 基因演算法 基因演算法常被應用在三個領域： 訓練類神經網路 生成記憶基礎理解的評分函數 排程的最適化功能等。 其中最普遍的，就是用來訓練類神經網路。目前許多類神經網路都將基因演算法列為訓練的選項之一。 基因演算法 密西根大學的約翰．賀藍（John Holland）首創用了『基因演算法』，發展出這項技術有力的理論基礎。他在理論中描述了基因演算法是如何運作，以及基因如何巧妙地創造了適應生存的物種。 基因演算法 資料採礦著重是分類，預測，而不是最適化，儘管許多資料採礦的問題可以視作最適化問題。一個典型的資料採礦問題，是根據某項產品前一週的銷售量及其特性等等，預測其存貨量。換成最適化的方式，問題就變：『哪一種函數與存貨曲線是最吻合，可用來預測。』使用統計迴歸是一種方式，類神經網路是另一方式，基因演算法則提供了另一種可能性。 基因演算法 遺傳學概述: 在比較高等的動物中，這些傳遞下來的DNA 藉由雜交融合了其它適者的DNA，這種技術 稱之為雜交（Cross over）。 有時候傳遞基因給下一代的過程也會有出 錯，稱之突變（mutation）。 這所有的過程加起來，一代一代傳遞，使得 生物高度適應其環境：這就是演化過程。 基因演算法 一個簡單的例子來解釋基因演算法如何運作：在一個只有一個參數『p』簡單函數，p值為在0?至31之間，該函數31p – p2 見下圖。這個例子可視為一個基因組(genome)，只含有一個5位元基因參數p。（需要5位元來表達0到31）這個函數的最大值出現在p為15與16時，分別以01111與10000代表。這個例子也顯示即使有數個最適狀態，基因演算法依然適用。 電腦上的遺傳學 電腦上的遺傳學 我們必須選擇所謂的適配函數（fitness function）來解決這個問題。在這個例子裡，適配函數就是31p – p2，然後進行以下一些步驟： 定義基因組以及適配函數，創造第一代的基 因組。 2.藉由選擇，雜交，以及突變，來修訂起始群 體。 3.重複步驟2，直到這個群體不再進步為止。 電腦上的遺傳學 運用基因演算的第一個步驟就是設定問題。該基因組含有一個5位元基因參數p。如下表顯示，第一代有四個隨產生的基因組。平均適配值是117.75，已經相當不錯，不過基因演算法可以使其更為改善。 電腦上的遺傳學 基因 p 適配值 10110 22 176 00011 3 87 00010 2 58 11001 25 150 電腦上的遺傳學 如下圖所示，基本演算過程利用三個運算元來修訂起始群體 - 選擇(selection），雜交(crossover)，及突變（mutation）。 電腦上的遺傳學 電腦上的遺傳學 在我們的計算過程中，母群體的數量是保持恆定的，也就是說該群體不致滅種。基因組存活並繁衍的機率，與其適配值（fitness value）成正比：值越高者，在下一代基因組中所佔比例就越高。按比例計算後，遺傳給下一代的數量通常是個分數，但是群體中基因組的數量卻絕對是整數。生存是建立在依照比例再任意選擇基因組的基準上。 電腦上的遺傳學 電腦上的遺傳學 基因 適配值 適配值百分比 期望子代數 10110 176 37.4% 1.50 00011 87 18.5% 0.74 00010 58 12.3% 0.49 11001 150 31.8% 1.27 電腦上的遺傳學 這種