遗传算法-KeYan.PPT

1） 根据问题要求，确定每个设计变量 的变化范围，从而得到一个包含最优解的m维超立方体（不一定是整个可行域）。从该超立方体中随机产生一定数目的可行个体，然后挑选出最好的个体加到初始种群中。这个过程不断迭代，直到初始种群中个数达到了预先确定的规模，即得到了M个可行的初始染色体 Z1,Z2,…Zm。 2） 首先求出可行域的一个点，即一个可行个体，记为 Z0。然后确定一个足够大的数G，以使遗传操作能遍及整个可行域。该大数G还将在变异操作中得到应用。接着，再产生M个初始染色体：在m维实空间Rm 中，随机选择一个方向H，并检验Z0+GH的可行性，若可行，即在可行域内，将Z0+GH作为一个染色体；否则，将取G为[0,G]区间内的一个随机数，直到Z0+GH可行为止。重复以上过程M次，便可产生M个初始染色体Z1,Z2,…Zm 。 2.2.3 适应度函数 遗传算法中使用适应度这个概念来度量群体中各个体在优化计算中可能达到或接近于或有助于找到最优解的优良程度。适应度较高的个体遗传到下一代的概率比较大；而适应度较低的个体遗传到下一代的概率就相对小一些。度量个体适应度的函数称为适应度函数。 对于函数优化问题，必须将优化问题的目标函数f(x)与个体的适应度函数F(x)建立一定的映射关系，且遵循两个基本原则：（1）适应度函数的值不小于零；（2）优化过程中目标函数变化方向应与群体进化过程中适应度函数的变化方向一致。 特别地，当优化目标是求函数最大值，并且目标函数总取正值 时，可以直接设定个体的适应度函数F(X)就等于相应的目标函数f(x)，即 F(X)=f(x) 2.2.4 遗传算子 在遗传算法中，通过编码组成初始群体后，遗传操作的任务就是对群体的个体按照它们对环境适应的程度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题的解一代又一代地优化，并逼近最优解。 遗传算法遗传操作包括复制、交叉和变异等三个基本遗传算子。 1）复制算子 遗传算法中的复制操作就是用来确定如何从父代群体中按某种方法选取哪些个体遗传到下一代群体中的一种遗传运算。复制操作是建立在群体中个体的适应度评估基础上的，即个体的适应度越高，其性能越好、越符合要求，因而被复制的机会就越多；反之，适应度低的个体，其被选择的机会也就越少，甚至被淘汰。 为了进行复制操作，需要对种群中的每个个体设定一个复制概率，使该个体被复制的可能性与其在种群中的适应性成比例，即适应性强的个体被选择复制的可能性越大。这里介绍两种设定个体复制概率的常用方法。 (2-1) 图2-2 基于排序的轮盘赌选择法 2） 交叉算子 3） 变异算子 2.2.5 约束条件的处理 3 遗传算法的应用 表 11-3 初始可行的染色体及其目标值和适应度值 表 11-4 复制概率及累积概率 表 11-5 经复制所得的新种群 表 11-6 经交叉操作获得的种群 表 11-7 经变异操作获得的种群 遗传算法简介 1遗传算法概述 2遗传算法基本原理与方法 3遗传算法的应用 1.遗传算法概述 1.1 遗传算法的概念 遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。 遗传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原个体更能适应环境，就像自然界中的改造一样。 1.2 遗传算法的特点 遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机搜索法。它与传统的算法不同，大多数古典的优化算法是基于一个单一的度量函数的梯度或较高次统计，以产生一个确定性的试验解序列；遗传算法不依赖于梯度信息，而是通过模拟自然进化过程来搜索最优解，它利用某种编码技术，作用于称为染色体的数字串，模拟由这些串组成的群体的进化过程。 1.2.1 遗传算法的优点 （1）对可行解表示的广泛性。 （2）群体搜索