遗传基因演算法geneticalgorithmga-医学影像处理实验室mipl.ppt

Genetic Algorithm ,GA Chuan-Yu Chang (張傳育)Ph.D. Dept. of Electronic Engineering National Yunlin University of Science Technology chuanyu@yuntech.edu.tw Office: ES709 Tel: 05-5342601 Ext. 4337 簡介 GA演算法是由 John Holland 於 1960 年代末期在密西根大學開始發展。 基因遺傳演算法(Genetic Algorithm)是一種模擬生物基因演化的搜尋演算法，其原理簡單的說就是達爾文的物競天擇，適者生存。 遺傳基因演算法其主要的目的為嚴謹地架構出自然生物系統的進化過程，藉由生物物種的基本運算子，在每代間進行演化，終而尋得適當問題的最佳解。 近來被廣泛的應用於搜尋各類問題的最佳解。 特色 遺傳的演算法則跟一般的最佳化方法所不同之主要特性分述如下 遺傳演算法的運算，主要在參數經過編碼的位元字串上，而非參數本身，所以在搜尋分析上不受參數連續性的限制。 遺傳演算法採用隨機多點同時搜尋的方式(複製→交配 →突變) ，而非傳統的單點依序搜尋方式，因此可以避免侷限在區域的最佳解上，而得到問題的最佳解上。 遺傳演算法則運算時只需訂定問題要求的目標函數(Objective function) ，並不需其他的的輔助資訊(如函數的微分性、連續性) ，所以適合各類問題的目標函數。 基本精神 用基因演算法求解最佳化的基本精神為: 對於問題搜尋自然參數解的自然集合 將所要的參數編碼成一字串，隨機重複N個原始物種(字串)，然後依據求解來得到適應函數(fitness function) 適應高的函數被挑選到交配池，既複製的過程，在一交配及突變過程的運算下完成一代基因演算法則)如此重複下去以產生適應力最強的物種(最佳解) GA 的使用: 在使用 GA 時有三個要點： 1. 將問題的解表示成染色體 (chromosome) 有時候我們所遇到的問題不是數字，例如許多城市的順序，氨基酸的組合等等。要如何以一串數字來表示一組合理的解，使得整個運算有效率並方便判讀。 2. 如何評斷每個個體的優劣 (fitness function) 如何評估不同個體的好壞，如果問題中有明確的定義每組解的值，則這個部分很容易。但往往有很多問題沒有明確定義每組解的值，要如何列出一個式子來描述解空間對應到的值，將會影響到整個演算法的效能。 3. 運算子的實作 如何實作每一個運算，使得所得到的個體還是存在解空間中的。否則有可能演算法到最後得到的解，是不合理的。 GA 的演算法可以分為下列幾個步驟: 1. 產生初始的族群 (initial generation) 2. 產生子代 (reproduction) i. 選擇一對適合繁殖的親代 ii. 交配(crossover)產生一個新的個體 iii. 此個體經過突變(mutation)成為子代 3. 計算整個每個個體的表現值(score) 4. 選擇到達存活標準的個體(selection) 5. 若整個族群滿足停止條件，則終止程式，輸出結果。否則回到步驟 2。 工作流程 基因演算法之演化流程圖 基因運算子(Genetic operators) 一般而言，GA 有三種主要的運算子： 選擇(selection) 、複製(reproduction) 選擇哪些個體可以存活，或是選擇哪些個體可以產生子代，使得他的基因被保留在族群中。一般的作法是個體的分數越高，被選擇產生下一代的機率就越高。自然界也是強者會產生較多的子代，從另一個角度來看，弱者相對的被淘汰掉了。 交配(crossover) 交配大致上可以分為兩種型態：離散型(discret)，連續形(continuous)。若要交配的親代各為 A, B，則離散型的交配產生的子代 C，其染色體上的基因 Ci，不是 Ai 就是 Bi。而連續型的則會產生 Ci = Ai 和 Bi 的線性組合。選擇哪一個型態需視問題而定，且真正實作時有很多不同的變形。 突變(mutation) 基因運算子(Genetic operators) 複製(reproduction): 複製是依據每一物種的適應程度來決定下一代中應被淘汰或複製且保留的個數多寡的一種運算過程 複製過程有兩種形式:(a)輪盤式選擇(b)競爭式選擇 輪盤式選擇(roulette wheel selection) 在每一代的演化過程中，首先依每個物種(字串)的適應函數值的大小來分割輪盤的位置，適應函數值越大的話，則在輪盤上佔有的面積比例也越大，每個物種在輪盤上佔有的面積比例越大代表被挑選到交配池中的機率越大，然後隨機選取輪