第四章 遗传算法3的.ppt

第四章 遗传算法（续） ;教学重点 理解改进的遗传算法 掌握遗传算法解决简单优化问题 掌握遗传算解决简单的STP问题 教学难点 遗传算解决简单的STP问题 ;4.1 遗传算法简介 4.1.1 遗传算法的产生与发展 4.1.2 生物进化理论和遗传学的基本知识 4.1.3 遗传算法的思路与特点 4.1.4 遗传算法的基本操作 4.1.5 遗传算法的应用 4.2 基本遗传算法 4.2.1 简单函数优化的实例 4.2.2 遗传基因型 4.2.3 适应度函数及其尺度变换 4.2.4 遗传操作——选择 4.2.5 遗传操作——交叉/基因重组 4.2.6 遗传操作——变异 4.2.7 算法的设计与实现 4.2.8 模式定理 ;4.3 遗传算法的改进 4.3.1 CHC算法 4.3.2 自适应遗传算法 4.3.3 基于小生境技术的遗传算法 4.4 遗传算法的应用 4.4.1 解决带约束的函数优化问题 4.4.2 解决多目标优化问题 4.4.3 解决组合优化问题 4.4.4 遗传算法在过程建模中的应用 4.4.5 遗传算法在模式识别中的应用;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.3 遗传算法的改进 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;罚函数法 评价函数的构造： 加法 乘法;罚函数法 罚函数分类： 定量惩罚——简单约束问题 变量惩罚——复杂约束问题，包含两个部分：可变惩罚率和违反约束的惩罚量。;罚函数法 交叉运算：设父个体为x=[x1,x2,…,xn]和y=[y1,y2,…,yn] 简单交叉 单点算术交叉 整体算术交叉 基于方向的交叉：x’=r(x-y)+x，r为(0,1)之间的随机数，并假设f(x)≥f(y)。;罚函数法 变异运算：设父个体为x=[x1,x2,…,xn] 均匀变异 非均匀变异（动态变异） 边界变异： x’=[x1,x2,…,xk’,…,xn]，xk’等概率地取用变异量的上界或下界，当最优解在可行域边界上或附近时，边界变异算子较为有效； 基于方向的变异：x’=x+r?d，d为目标函数的近似梯度。;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;4.4 遗传算法的应用 ;求解线性约束优化问题的遗传算法 例：7×7运输规划问题 目标函数为 罚函数为 其中，k=1，P=1/14，f为第t代群体的平均适应度，T为最大运行代数，dij为约束的违反度。;求解线性约束优化问题的遗传算法 例：7×7运输规划问题 对于约束 ，个体染色体表示 为（v11,…,v77），其约束违反度定义为：;求解线性约束优化问题的遗传算法 例：7×7运输规划问题 费用参数表 对于函数A，取S＝2，对于函数B、E和F，取S＝5。;求解线性约束优化问题的遗传算法 例：7×7运输规划问题 消除多余变量： 可以消除13个变量，x11, x12,…, x17, x21, x31, x41, x51, x61, x71，其余36个变量设定为y1,y2,…,y36 ;求解线性约束优化问题的遗传算法 例：7×7运输规划问题 将原规划??题转化为： ;求解线性约束优化问题的遗传算法 例：7×7运输规划问题 采