开发基因演算法的步骤.PPT

染色體在“峰”函數的表面輪廓圖上的位置 : 第一代 染色體在“峰”函數的表面輪廓圖上的位置 : 局部最優的結果 染色體在“峰”函數的表面輪廓圖上的位置 : 全局最優的結果 6個染色體遺傳100代的性能圖 :局部最優的結果 F i t n e s s * * 第 9 講 演化計算 :基因演算法 演化是智慧的嗎？ 模擬自然演化 基因演算法 個案研究：用基因演算法來維護計畫 總結 演化是智慧的嗎？ 智慧可以定義為系統調整本身行為來適應不斷變化的環境的能力。根據Alan Turing 的觀點，系統的形態或外觀和智慧是沒有關係的。 演化計算就是在電腦上模擬演化過程。模擬的結果是基於簡單規則集的一系列最佳化演算法。最佳化疊代改善解決方案的品質，直到找出最佳化的(至少是最可行的)解決方案為止。 一個單組織生物體的行為，歸納推理出其環境中不為人所知的觀點。如果經過連續幾代的繁衍，這種生物體存活了下來，就可以說這種生物體有學習的能力，可以預知環境的變化。 機器學習的演化方法的基礎是自然選擇和遺傳的計算模型。我們稱之為演化計算，它是結合了基因演算法、演化策略和遺傳程式設計的術語。 模擬自然演化 1858年7月1日，Charles Darwin 在Linnean Society of London 發表了他的演化理論。這一天標記著生物學革命的開始。 Darwin的經典演化理論、Weismann的自然選擇理論及Mendel的遺傳學概念一起構成了現在的新達爾文主義。 新達爾文主義植基於繁殖、突變、競爭和選擇的四個過程。繁殖能力是生命最本質的特徵。突變能力保證了生物體能在不斷變化的環境中繁殖自己。競爭和選擇過程通常發生在自然界，因為自然界的有限的空間限制了物種的擴張。 演化是一個維護或增加種群在特定環境中生存和繁殖的能力的過程。這種能力也稱為演化適應性。 演化適應性也可以看作對群體預見環境變化的能力的測量。 適應性或預見變化並充分做出反應的能力的定量測量，可以視為是自然生命中具有可以被最佳化的品質。 基於兔子種群作了一個簡單的解釋。有一些兔子跑得比較快，因此可以說這些兔子在適應性上具有優勢，因為它們在逃避狐狸的追捕中存活下來並且繼續繁殖的機會更大 如果雙親都有較強的適應性，那麼在基因混合後，遺傳給下一代良好適應性的機會就很大。隨著時間的推進，兔子這個種群能跑得更快，以適應狐狸的威脅。 如何繁殖適應性不斷增加的個體呢？ 模擬自然演化 現在已經有了幾種演化計算的方法，它們都是模擬自然界演化的。這些方法通常是先建立某個個體的種群，然後評估它們的適應性，最後透過基因運算產生新的種群，再將這個過程重複一定的次數。 我們可以從基因演算法(GA)開始，因為大多數其他的演化演算法都可以看作是GA的變體。 Genetic Algorithms 在20世紀70年代早期，演化計算的創始人之一John Holland提出了基因演算法的概念。 他的目標是讓電腦完全摸擬自然界。作為電腦科學家，Holland關注處理二進制數字字串的演算法。 每個染色體包含許多的“基因”，每個基因用0或1表示 : 自然界具有在無人告知其該怎麼做時，能適應環境以及學習的能力。換言之，自然界是盲目地尋找良好的染色體。GA也一樣。將GA和要解決的問題聯繫在一起的兩個機制是：編碼和評估。 基因演算法透過測量染色體個體的適應性來完成繁殖。在繁殖時，交配運算交換兩個單個染色體中的一部分；突變運算改變染色體上某個隨機位置的基因值。 基因演算法 步驟 1:用固定長度的染色體表示問題變數域，選擇染色體種群數量為 N，交配機率為 pc，突變機率為 pm。 步驟 2:定義適應性函數來測量問題域上單個染色體的性能或適應性。適應性函數是建立在繁殖過程中選擇成對染色體的基礎。 步驟 3:隨機產生一個大小為 N 的染色體的初始種群: x1, x2, …, xN 步驟 4:計算每個染色體的適應性： f (x1), f (x2), . . . , f (xN) 步驟 5:在目前種群中選擇一對染色體。雙親染色體被選擇的機率和它們適應性相關。適應性高的染色體被選中的機率高於適應性低的染色體。 步驟 6:透過執行遺傳運算—交配和突變產生一對後代染色體。 步驟 7:將後代染色體放入新種群中。 步驟 8:重複步驟 5，直到新染色體種群的大小等於初始種群的大小N為止。 步驟 9:用新(後代)染色體種群取代初始(雙親)染色體種群。 步驟 10:回到步驟 4，重複這個過程直到滿足中止條件為止。 基因演算