第4章节 遗传算法.ppt

第4章 遗传算法 遗传算法基本思想 建立在自然选择原理和自然进化机制上的迭代式自适应概率性搜索方法； 生物进化理论：遗传、变异和适者生存； 遗传与进化的几个特点： 生物的所有遗传信息全部包含在其染色体中，染色体决定了生物的性状； 染色体是由基因及其有规律的排列所构成的，遗传和进化过程发生在染色体上； 生物的繁殖过程是由其基因的复制过程来完成的； 通过同源染色体之间的交叉或染色体的变异会产生新的物种 对环境适应性好的基因或染色体经常比适应性差的基因或染色体有更多机会遗传到下一代。 遗传算法实例 遗传算法实例 遗传算法实例 遗传算法实例 遗传算法实例 遗传算法实例 遗传算法的特点 以设计变量的编码作为运算对象； 直接以目标函数值作为搜索信息； 同时使用多个搜索点的搜索信息； 使用概率搜索技术。 编码方法 把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称为编码； 编码决定了染色体的排列、解码方法；影响着遗传算子的运算方法及其效率； 目前还没有一套即严密又完整的指导理论及评价准则来帮助我们设计编码方案； 编码方法分三类： 二进制 浮点数 符号编码方法 编码方法－二进制编码 编码符号集是由0和1所组成的二值符号集； 符号串的长度与问题所要求的精度有关； 若参数的取值范围是[xmin,xmax],用长度为l的二进制编码符号串来表示该参数，则能产生2l种不同的编码，精度为： 编码方法－二进制编码 优点： 编码、解码操作简单易行； 遗传操作便于实现； 符合最小字符集编码原则； 便于利用模式定理对算法进行理论分析。 缺点： 存在汉明（Hamming）悬崖； 缺乏串长的微调功能； 对于一些连续函数的优化问题，二进制编码不便于反映所求问题的结构特征。 编码方法－格雷码 连续的两个整数的编码之间仅仅有一个码位是不同的。 编码方法－其他方法 符号编码：是指个体染色体编码串中的基因值取自一个无数值含义而只有代码含义的符号集。 如：旅行商问题，n个城市记为：C1、C2、…、Cn ，将各个城市的代号按其被访问的顺序连接在一起便可构成一个表示旅行路线的个体。如{C1,C2,…,Cn}就表示顺序访问城市C1、C2、…、Cn 便于利用所求问题的专门知识； 便于与相关近似算法之间的混合使用； 遗传算子需要认真设计。 浮点数编码：个体的每个基因值用某一范围内的一个浮点数来表示，个体的编码长度等于设计的变量个数； 多参数级编码： 多参数级连编码 多参数交叉编码 适应度函数－构造方法 遗传算法在进行优化搜索中基本不利用外部信息，仅以适应度函数为依据， 一般而言适应度函数f(x)是由目标函数F(x)变换而成的，对适应度函数值域的某种映射变换称为适应度的尺寸变换。 几种常见的适应度函数构造方法 直接法： f (x) = F(x) 或 f (x) = ?F(x) 可能不满足轮赌法有概率非负的要求； 当待求解的函数其值在分布上相差很大时，平均适应度可能不利于体现种群的平均性能。 界限构造法： f (x) = F(x) ? Cmin 或 f (x) =Cmax? F(x) 对直接法的改进，但存在界限值估计困难、不可能精确的问题。 倒数构造法： f (x) =1/(1+Cmax? F(x)) 或 f (x) =1/(1+ F(x) ? Cmin ) 适应度数值在0～1之间 适应度函数－尺度变换 原因：遗传进化初级产生超强适应度的个体，而控制选择过程，影响算法的全局优化性能。遗传进化后期，个体的差异度较小，继续优化的可能性降低，容易获得某个局部的最优解。在不同的运行阶段需要对个体的适应度进行适当的扩大或缩小。 线性变换：f′= αf +β ； 满足以下条件：f′avg= favg， f′max= Cmult favg 若某些个体的适应度远远小于平均值，变换后出现适应度为负的情况，可采用以下线性比例系数： 适应度函数－约束条件处理 目前还未找到一种能够处理各种约束条件的一般化方法，只能针对具体问题及约束选用不同方法。 搜索空间限定法 对搜索空间的大小加以限制，使搜索空间中表示一个个体的解与解空间中表示的一个可行解的点一一对应； 实现方法：用编码方式来保证；用程序来保证。 可行解变换法 在由个体基因型到个体表现型的变换中，寻找一种从个体基因型到个体表现型之间多对一的变换关系，使进化过程中所产生的个体总能通过这种变换而转化成解空间中满足约束条件的一个可行解。 罚函数法 对解空间中无对应可行解的个体，在计算其适应度时，用罚函数来降低该个体适应度，减少其被遗传到下一代群体中的机会。 f′= f（满足条件）； f′= f ? s（不满足条件）； 遗传操作－选择 个体选择概率的确定： 比例分配法 排序分配法 个体选择的方法： 轮赌法：首先计算累积概率，然后