第6 遗传算法及应用.pptVIP

遗传算法及应用 遗传算法是一种新发展起来的基于优胜劣汰、自然选择、适者生存和基因遗传思想的优化算法，60年代产生于美国的密执根大学。 6.1遗传算法的原理与特点 　Darwin 的进化论： 　　 优胜劣汰，适者生存。 　Mendel的基因遗传学： 　　　遗传是作为一种指令码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质，每个基因产生的个体对环境有一定的适应性，基因杂交和基因突变可能产生对环境适应性更强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。 6.1.1 遗传算法的基本原理 　　　遗传算法将问题的求解表示成“染色体”（用编码表示字符串）。该算法从一群“染色体”串出发，将它们置于问题的“环境”中，根据适者生存的原则，从中选择出适应环境的“染色体”进行复制，通过交叉、变异两种基因操作产生出新的一代更适应环境的“染色体”种群。随着算法的运行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体。 6.1.1 遗传算法的基本原理 6.1.1 遗传算法的基本原理 6.1.1遗传算法的基本原理 常规的寻优方法主要有三种类型： 解析法：间接法是通过让目标函数的梯度为零，进而求解 　　　　　　　一组非线性方程来寻求局部极值。 　　　　直接法是使梯度信息按最陡的方向逐次运动来寻 　　　　　　　求局部极值，它即为通常所称的爬山法。 枚举法：可寻找到全局极值，不需要目标函数连续光滑。 随机法：搜索空间中随机地漫游并随时记录下所取得的最 　　　　好结果。 6.1.2 遗传算法的特点 1)遗传算法是对参数的编码进行操作，而不是对参数本身； 2)遗传算法是从许多初始点开始并行操作，因而可以有效地防止搜索过程收敛于局部最优解，而且有较大的可能求得全部最优解； 3)遗传算法通过目标函数来计算适配度，而不需要其它的推导和附属信息，从而对问题的依赖性较小； 4)遗传算法使用概率的转变规则，而不是确定性的规则；　　　　　　　　 5)遗传算法在解空间内不是盲目地穷举或完全随机测试，而是一种启发式搜索，其搜索效率往往优于其它方法； 6)遗传算法对于待寻优的函数基本无限制，因而应用范围很广； 7)遗传算法更适合大规模复杂问题的优化。 6.1.3 遗传算法的应用 函数优化 组合优化 生产调度 自动控制 机器人学 图像处理 机器视觉 6.2 遗传算法的基本操作与模式理论 设需要求解的优化问题为寻找当自变量 x 在0～31之间取整数值时函数f(x)=x2的最大值。 第一步：准备工作 　“染色体”串的编码　采用二进制数来对其进行编码，可用5位数来表示。例如01010对应 x =10，11111对应x =31。 　初始种群的产生 　设种群大小为4，即含有4个个体，则需按位随机生成4个5位二进制串： 01101、11000、01000、10011 6.2.1.1 复制操作 复制(Copy)亦称再生(Reproduction)或选择(Selection)，复制过程是个体串按照它们的适配度进行复制。 本例中目标函数值即可用作适配度。 按照适配度进行串复制的含义是适配度越大的串，在下一代中将有更多的机会提供一个或多个子孙。 6.2.1.1 复制操作 种群的初始串及对应的适配度 6.2.1.1 复制操作 种群的初始串及对应的适配度 　交叉(Crossover)操作可分为两步： 第一步— 将新复制产生的匹配池中的成员随机两两匹配。 第二步— 进行交叉繁殖。 　　　设串的长度为l ，则串的l 个数字位之间的空隙标记为1，2，…，l -１。随机地从[1，l-1]中选取一整数位置k，则将两个父母串中从位置 k 到串末尾的子串互相交换，而形成两个新串。 本例中初始种群的两个个体 　 假定从１到４间选取随机数，得到k＝４，那么经过交叉操作之后将得到如下两个新串 变异(Mutation)是以很小的概率随机地改变一个串位的值。变异的概率通常是很小的，一般只有千分之几。 变异操作相对于复制和交叉操作而言，是处于相对次要的地位，其目的是为了防止丢失一些有用的遗传因子，变异操作可以起到恢复串位多样性的作用。 在经过一次复制、交叉和变异操作后，最优的和平均的目标函数值均有所提高。种群的平均适配度从293增至439，最大的适配度从575增至729。可见每经过这祥的一次遗传算法步骤，问题的解便朝着最优解方向前进了一步。 编码 初始种群生成 适应度评价 遗传算子 选择运算 交叉运算 变异运算 基本遗传算法的运行参数 种群大小、进化代数、交叉概率、变异概率 6.2.1 遗传算法的基本操