第七章 遗传算法简降拈.ppt

第七章 遗传算法与控制简介;模拟进化计算（Simulated Evolutionary Computation)是近十几年来信息科学、人工智能与计算机科学的一大研究领域，由此所派生的求解优化问题的仿生类算法（遗传算法、演化策略、进化程序），由于其鲜明的生物背景、新颖的设计原理、独特的分析方法和成功的应用实践，正日益形成全局搜索与多目标优化理论的一个崭新分支。 遗传算法（Genetic Algorithm,简称GA）是通过模拟生物进化过程来完成优化搜索的。; 科学研究、工程实际与国民经济发展的众多问题可归结为“最大效益、最小代价”这类典型的优化模型。求解这类模型导致寻求某个目标函数（有解析表达式或无解析表达式）在特定区域上的最优解，传统的建立在梯度计算基础上的非线性规划类方法，当目标函数仅具有单极点时，通常表现出较高的计算效率，但当目标函数具有多极值点时，由于其本身固有的局部优化性及不稳健等缺陷，而被广泛认为不适于全局优化问题的求解。近二十年来，人们相继发展了许多求解全局优化问题的方法，一般可分为确定型与非确定型（如随机搜索）算法。Monto-Carlo方法及模拟退火算法都归属后者。当目标函数具有为数不多的极值点时，确定型算法常表现出较高的计算效率，但同时也暴露出算法复杂、对目标函数的性质要求高、可靠性差等缺点。相比而言，随机搜索方法具有较强的鲁棒性，算法容易实现，但常有计算效率低的缺点。; 仿生类算法是近十几年来才发展起来的一类新型全局优化搜索技术，它们通过向自然界学习，借鉴生物进化机制求解问题。这类算法的主要优点在于其本质上的并行性、广泛的可适用性（如对目标函数的性态无特殊要求，特别可以没有明确的表达式）和较强的鲁棒性、简明性与全局优化性能。虽然从基本思想的产生至今已有二、三十年的历史，但广泛用于求解优化问题还是近十几年的事。初步研究及广泛的应用实践已显示出它们作为可靠、有效的全局优化算法的巨大潜力和诱人前景。 仿生类算法，就其目前发展而言，可分为仿生过程算法与仿生结构算法两大类，前者以模拟进化算法为代表，后者以神经网络为典型。;遗传算法的生物学背景;生物遗传概念;;遗传算法的发展历史;设计遗传算法的基本原则与内容 ;设计的基本内容： ;遗传算法的搜索机制 ; ;基本遗传算法的组成 ; 编码 ; 编码 ; 编码 ; 编码 ; 编码 ;;;;;;适应度函数的尺度变换(续） ;;; 个体选择概率分配方法 （1）适应度比例方法（fitness proportional model）或蒙特卡罗法（Monte Carlo） ;;; 1.个体选择概率分配方法 （2） 排序方法 （rank-based model） ;;;;;交叉 ;;交叉 ;;;;;;变异 ; 2. 实数编码的变异方法 （1）均匀性变异 ; 2. 实数编码的变异方法（续） （2）正态性变异（normal distributed mutation） ;;;;遗传算法的简单实例;遗传算法的简单实例;遗传算法的简单实例;遗传算法的简单实例;遗传算法的简单实例;遗传算法的简单实例;遗传算法的简单实例;函数优化示例 ;SGA对于本例的编码 ;几个术语 ;初始种群 ; 适应度函数 ;选择算子;轮盘赌选择方法;轮盘赌选择方法的实现步骤;交叉算子 ;单点交叉运算 ;变异算子 ;基本位变异算子 ;基本位变异算子的执行过程 ;运行参数 ;SGA的框图 ;遗传算法的特点 ;遗传算法原理;遗传算法的数学基础;模式;两个定义;模式的阶和定义距的含义;模式定理;模式定理;积木块假设 ;遗传算法的收敛性分析;种群规模对收敛性的影响;选择操作对收敛性???影响;交叉概率对收敛性的影响;变异概率对收敛性的影响;遗传算法的本质 ;遗传算法的改进;遗传算法的改进途径;对编码方式的改进;对遗传算子 的改进;对遗传算子 的改进;对遗传算子 的改进;对控制参数的改进;对控制参数的改进;对执行策略的改进;遗传算法的应用;遗传算法的应用领域;遗传算法的应用示例;编号;遗传算法的应用示例;遗传算法的应用示例;遗传算法的应用示例;复制后交换集种群;遗传算法的应用示例;基于遗传算法的PID控制简介;基于遗传算法的PID控制简介;基于遗传算法的PID控制简介;基于遗传算法的PID控制简介;基于遗传算法的PID控制简介;基于遗传算法的PID控制简介;基于遗传算法的PID控制简介;谢谢！