讲义一 遗传算法.ppt

第三课 遗传算法;智能优化算法 ;常用的智能优化算法 ;智能优化算法的特点;传统的优化方法（局部优化） 共轭梯度法、拟牛顿法、单纯形方法 全局优化方法 GA;优化搜索算法特征：;3.0.1 遗传算法简介 ;⑴ 选择 ⑵ 交叉 ⑶ 变异;GA的流程;遗传算法的本质 ;遗传算法的应用领域;遗传算法的发展;基本遗传算法SGA;初始化初始种群（编码成位串形式）;3.1.2遗传算法基本要素;（1）问题编码;（2）初始群体的生成;（3）适应值函数的确定 ;（4）控制参数 ;3.2 遗传算子 ;;3、变异(Mutation)算子 变异增加了遗传算法找到接近最优解的能力。 变异就是以很小的概率，随机地改变字符串某个 位置上的值。把某一位的内容进行变异。 在二进制编码中，就是将某位0变成1，1变成0。 如：110010的第四位变异成110110 （父代） （子代）;3.3 遗传算法实例 ; 其适应度函数特点 （1）非负 ; (2)逐步增大 4.选择率ps和期望值 选择率： ps=fi/∑fi 平均适应值： f =∑fi/n 期望值： fi/f 5.实选值 期望值取整数 ;编号;二、遗传;说明：;3.变异 取变异概率pe=0.01，表示每100个体中有一个个体的一位发生变异。（这里 暂不变异） 新的种群，其平均值和最大值都有很大提高。 均值：293 → 439 最大值：576 → 729 新种群中四个个体，有2个变好：25，27；2个变坏：12，0。;三、再遗传一代;编号;二、遗传;说明：;3.变异 取变异概率pe=0.01，表示每100个体中有一个个体的一位发生变异。（暂不变异） 新的种群，其平均值和最大值都有很大提高。 均值：293 → 439 最大值：576 → 729 新种群中四个个体，有2个变好：25，25；2个变坏：12，16。;三、再遗传一代;选择后的交配池（下划线部分交叉）; 单纯用交叉而没有用变异，则遗传多少代得不到最优解31(1 1 1 1 1 )。主要是第三位所有个体都是0，这样只能得到27（1 1 0 1 1） 次优解。 若在第四位中挑选一个个体进行变异，由0变成1，在进行遗传将会得到最优解。;选择后的交配池（下划线部分交叉）; 单纯用交叉而没有用变异，则遗传多少代得不到最优解31(1 1 1 1 1 )。主要是第三位所有个体都是0，这样只能得到27（1 1 0 1 1） 次优解。 若在第四位中挑选一个个体进行变异，由0变成1，在进行遗传将会得到最优解。;3.4遗传算法的特点 ;;;基于遗传算法的分类学习系统;GCLS系统由五个部件组成;系统的工作流程;系统的工作流程;应用实例;高 血 压：;获取知识; 将例子编码成二进制字符串：消息就是一个有24位条件，2位结论组成的二元组。 如上面的例子 M=[(010001010101010101100101),(01)];识别效果;3、高血压=有∧起病方式=快∧意识障碍=深度 → 脑出血 （13） 4、起病方式=快∧瞳孔不等大=是 → 脑出血 （4） 5、膝腱反射=不活跃 → 脑出血 （1） 6、高血压=有∧病情发展=快 → 脑出血 （15） 7、高血压=有∧动脉硬化=有∧起病方式=慢 → 脑血栓 （13） 8、动脉硬化=有∧病情发展=慢 → 脑血栓 （15） 9、动脉硬化=有∧意识障碍=无 → 脑血栓 （12） ;弹药装载问题（Ammunition Loading Problem，简称ALP）;AGSAA的基本原理;AGSAA的编码方式;AGSAA的解码和适应度函数;弹药装载的启发式算法;遗传算子的选择;交叉算子的选择;部分映射交叉算子; 附：进化神经??络;; 遗传算法和神经网络是当前常用的两种优化搜索技术，也是当前研究的一个热点。将遗传算法和神经网络结合，可以充分利用两者的优点，使新算法既有神经网络的学习能力和鲁棒性，又有遗传算法的全局随机搜索能力，从而能更好地解决实际问题。 ;基于遗传算法的神经网络设计;遗传算法和神经网络的结合示意图 ;基于遗传算法的神