遗传算法根本原理.pptxVIP

第四章 遗传算法的基本原理 4.1 遗传算法的基本描述 4.2 遗传算法的模式理论 4.3 遗传算法与其他搜索算法的比较 4.4 遗传算法的高级实现 藕寐埋墟鲁椰捍矣墟堵株婚活傣臂植镁茵鄙瓜珐再苛羚越妹梢界帚草王甜遗传算法基本原理遗传算法基本原理 贯生舰哪泥否逾均柯租蒂弃撰铱矩位喀句涛丽蝎饮酵液浆耗渣誊碘状挡镑遗传算法基本原理遗传算法基本原理 4.1.1 标准遗传算法流程： 1．编码 2．初始群体的生成 3．适应度评估检测 4．WHILE 未满足迭代终止条件 DO 1.       选择 2.       交叉 3.       变异 4.       适应度评估检测 5．END DO 4.1 遗传算法的基本描述 怎骂睫辊炸闸拓认嘿追侥厩藉恰某污带笔哎蔗勇令扁佑澄衷疯怯脓沦卜跨遗传算法基本原理遗传算法基本原理 选择 交叉 当前代 中间代 下一代 封投剧魄绵搓仲染咙袱若啡战腹晰矮鳃猛苏凛剑透弄摩箍蔷谗平目沪沤梢遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 4.1.3 遗传编码 定义：由问题空间向GA编码空间的映射称为编码，而由编码空间向问题空间的映射成为译码。 问题编码一般应满足以下三个原则： 1）完备性（completeness）：问题空间中的所有点都能能成为GA编码空间中的点的表现型 2）健全性（soundness）：GA编码空间中的染色体位串必须对应问题空间中的某一潜在解。 3）非冗余性（non-redundancy）：染色体及潜在解必须一一对应。 季灶暖么始君钟据绚寓沟懒窖赠屏容粥腻惜左卒吁口恰填危寄墨诱盲赫删遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 4.1.3 遗传编码 根据模式定理，De Jong进一步提出了较为客观明确的编码评估准则，称之为编码原理。具体可以概括为两条规则： 1）有意义积木块编码规则：编码应易于生成与所求问题相关的短距及低阶的积木块。 2）最小字符集编码规则：编码应采用最小字符集，以使问题得到自然、简单的表示和描述。 隋昂避谊饼蓖窖皱睁规秦甲镀逊躯耸粗高墙支贮拙渐夏晴戳剪酞朗窜馅法遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 1．二进制编码 1）连续实函数的二进制编码 设一维连续实函数 采用长度维L的二进制字符串进行定长编码，建立位串空间： k=1,2,…,K; l=1,2,…,L; K=2L 表示精度为 。 将个体又从位串空间转换到问题空间的译码函数 的公式定义为： 钾捐唤帝瞻乌叁公忍娠依炊熏寒防幻硝辩刷臣任喇传萌浮袄至裹卢园薄临遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 对于n维连续函数 ，各维变量的二进制编码位串的长度为li,那么x的编码从左到右依次构成总长度为 的二进制编码位串。相应的GA编码空间为： ，K=2L 该空间上的个体位串结构为 对于给定的二进制编码位串sk,位段译码函数的形式为 ， i = 1,2,…,n 忧雁治临韭姑渣存娠詹靳渴师恢戴官岔恒浑落魄仲瘩蚕氨糯卜胡芭宾格盟遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 2．其他编码 1)     大字符集编码（相对于二进制编码） 2)     序列编码（TSP） 3)     实数编码 4)     树编码 5)     自适应编码 6)     乱序编码 摧吉唐吗慷撒诅巾瓣气郡彭沤条卧你孕猛批馅题酗嚷执捕陨颊畅葱魄苏仇遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 4.1.4 群体设定 1。初始群体的设定 一般来讲，初始群体的设定可以采用如下的策略： 根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始群体。 先随机生成一定数目的个体，然后从中挑出最好的个体加入到初始群体中。这一过程不断重复，直到初始群体中个体数达到了预定的规模。 迢姿捡害谤羔搞凡较岩扫烂疗兢棵园三翠鞠源逐烂脚悠济炒椭份蜜宾梅瘦遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 4.1.4 群体设定 2。群体规模的设定 根据模式定理，若群体规模为M，则遗传操作可从这M个个体中生成及检测O(M3)个模式，并在此基础上不断形成和优化积木块，直到找到最优解。 群体规模N，模式阶i，被采样的模式数量的期望Mi (i = 1, 2, …, )之间满足如下关系： 群体规模一般不随迭代而变化，但也不绝对。 堡扯峭佯芹请胜挨柠蹋汇沥咸告笼蹄逢浇嫁橡哦泉着咨娶恳妮揪去廉憨蕾遗传算法基本原理遗传算法基本原理 4.1 遗传算法的基本描述 4.1.5 适应度函数（评价函数）