人工智能及其应用课件作者李长河第11章节进化计算.pptVIP

第11章 进化计算 李长河主编 第11章 进化计算 第11章 进化计算 1 遗传算法概念 2 基本遗传算法的工作原理 3 遗传算法的图式理论 4 基本遗传算法的计算技术 及其局限性 5 高级遗传算法 6 进化计算的发展与应用 什么是进化计算？ 进化计算（Evolutionary Algorithms，或Evolutionary Computing），顾名思义，即建立在进化理论基础上的计算，它是仿照生物生命发展过程而建立起来的计算理论。 进化计算研究内容：包括遗传算法（Genetic Algorithms，GA）；进化策略（Evolution Strategies，ES）；进化规划（Evolutionary Planning，EP）和进化编程（Evolution Programming，EP）共四方面的内容。 其中，遗传算法是进化计算中的研究核心。本章重点学习遗传算法的基本原理，并结合进化计算概念，简介计算智能及其遗传算法的发展与应用。 11.1 遗传算法的基本概念 遗传算法提出：于20世纪60年代由密歇根(Michigan)大学Hollstien, Bagleyh和Rosenberg等人在其博士论文中首先加以研究；1975年，美国J.H.Holland教授在其著作“Adaptation in Natural and Artificial Systems”中系统地阐述了遗传算法，给出了遗传算法的基本定理和大量的数学理论证明。 11.1 遗传算法的基本概念 遗传算法原理：遗传算法基于达尔文进化论的观点，依照适者生存，优胜劣汰等自然进化法则，通过计算机来模拟生命进化的机制，进行智能优化计算和问题搜索求解。 GA功能：在解决许多传统数学难题以及常规条件下明显失效的复杂问题时，遗传算法提供了一个行之有效的新途径。 11.1 遗传算法的基本概念 遗传算法的提出：J.H.Holland博士于1975年提出遗传算法,当时并没有引起学术界足够的重视。直到二十世纪80年代中期,随着计算机技术日新月异高速发展与进步,遗传算法首先成功地应用于AI机器学习和神经网络方面;后来又在诸如函数优化、自动控制、图象识别、分子生物学、优化调度以及机械、土木、电力工程等工业系统和许多领域中得到应用,显示出诱人的前景。从此，遗传算法始才得到学术界普遍关注与认可。 11.1 遗传算法的基本概念 遗传算法当前进展：David E. Goldberg教授1989年出版了 “Genetic Algorichms”一书，这一著作通常被认为是遗传算法的方法、理论及应用的全面系统的总结。从1985年起，国际上开始陆续举行遗传算法的国际会议，后来又更名为进化计算。参加进化计算国际会议的人数及收录文章的数量、广度和深度逐年扩大。从此，进化计算逐渐成为人们用来解决高度复杂问题的新思路和新方法。 11.1 遗传算法的基本概念 遗传算法目标：有如生物进化那样，使好的个性特征代代相传，不断地被继承下来，坏的特性则被逐渐淘汰。后代个体中包含着上一代个体的大量信息，算法要设法使后代个体在总体特征上胜过老一代，从而使整个群体向前进化发展。 11.1 遗传算法的基本概念 遗传算法目的：一方面是通过它的研究来进一步解释自然界的适应过程；另一方面是为了将自然生物系统的重要机理运用到人工系统的设计中。 遗传算法实现：本质上，所谓遗传算法，就是一个通过基因因子选择、重组、复制、评价计算，从而再循环繁殖、继承而不断地进化以接近于最佳种群的过程。换言之，这是一个自适应地逐渐找到最优解的组织实现过程。 11.2 基本遗传算法的工作原理 自然生命特性：依靠自然选择、繁殖、遗传和变异特性来适应外界环境，一代又一代地优胜劣汰，发展进化。 遗传算法思想：模拟自然界中的生物进化过程，把要求解问题的状态空间，映像为遗传空间；实施遗传算法来模拟进化操作，以便发现和生成优良子代种群，推进系统性能不断优化，直至种群(系统)品质达到某种预定的优化指标，即得到问题最优解。 11.2 基本遗传算法的工作原理 实现GA过程:主要包括编码;确定种群;遗传操作;优胜劣汰等运算过程. ①编码：把每一可能解,编码为向量,表示为二或十进制数字字符串,称其为染色体(chromosome)或个体,而把向量中的每个元素,称之为基因(genes); ②确定种群：把所有的染色体组成集群(population)，按预定的目标函数，对每个染色体进行评鉴、计算其适应度值; 11.2 基本遗传算法的工作原理 实现GA过程： 根据其适应度值比较，对诸染色体进行遗传操作： ③选择复制； ④交换； ⑤变异； ⑥在进行遗传操作中，不断剔除适应度低的那些性能不佳的染色体，留下适应度高的并且性