基于遗传算法的智能控制.pptVIP

例：计算机公司的经营策略优化问题 上面的方程可改写为如下的差分方程 假定c为常数时可得 对于高于平均适配值的图式数量将呈指数形式增长。 复制只是将某些高适配值个体全盘复制，或是丢弃某些低适配值个体，而决不会产生新的图式结构，因而性能的改进是有限的。 2、交叉对图式的影响 交叉过程是串之间的有组织的而又是随机的信息交换，它在创建新结构的同时，最低限度地破坏复制过程所选择的高适配值图式。下面考察一个 的串以及此串所包含的两个代表图式： 对上面给定的串，设随机选取的交叉点为3，则很容易看出它对如下两个图式 和 的影响。 这里图式 将被破坏，图式 将继续存在，不难看出，图式 比图式 更易被破坏。若定量的分析，图式 的定义长度为5，如果交叉点始终是随机地从 个可能的位置选取，那么很显然图式 被破坏的概率为 它存活的概率为 * 课程名：智能控制 教 师： 刘国栋 * 第五章 基于遗传算法的智能控制 第四章 基于遗传算法的智能控制 遗传算法（genetic algorithms,简称GA）是人工智能的重要新分支，是基于达尔文进化论，在微型计算机上模拟生命进化机制而发展起来的一门新学科。它根据适者生存、优胜劣汰等自然进化规则来进行搜索计算和问题求解。对许多用传统数学难以解决或明显失效的非常复杂问题，特别是最优化问题，GA提供了一个行之有效的新途径。近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业控制工程领域的成功应用，这种算法受到了广泛的关注。 §4.1 遗传算法的理基础 4.1.1 基本遗传学基础的遗传算法 遗传算法是根据生物进化的模型提出的一种优化算法。根据进化论，生物的发展进化主要由三个原因，即遗传、变异和选择。 选择：决定生物进化的方向。自然选择的基本规则就是适者生存，不适者被淘汰的过程。这种自然法则是残酷的，但是却有利于优良生物个体的生存和遗传，保证了种群的优化，逐步产生新的物种。 变异：是指子代和亲代有某些不相似的现象，即子代永远不会和亲代完全一样。是生物个体之间相互区别的基础。引起变异的原因主要是生活环境的影响、生物体之间的交叉繁殖。变异性为生物的进化和发展创造了条件。 遗传：是指子代总是和亲代相似。它使得生物能够把它 的特性、性状传给后代。遗传是生物进化的基础。 第五章 基于遗传算法的智能控制 4.1.2 遗传算法的基本原理和特点 由于遗传算法独具特色的工作原理，使它能够在复杂空间进行全局优化搜索，并且具有较强的鲁棒性；另外，遗传算法对于搜索空间，基本上不需要什么限制性的假设（如连续、可微及单峰等）。 一.遗传算法的基本原理 遗传算法将生物进化原理引入待优化参数形成的编码串群体中，按着一定的适应度函数及一系列遗传操作对各个体进行筛选，从而使适值高的个体被保留下来，组成新的群体。 新群体包含上一代的大量信息，并且引入了新的优于上一代的个体。这样周而复始，群体中各个体适应度不断提高，直至满足一定的极限条件。此时，群体中适应度最高的个体即为待优化参数的最优解。 第五章 基于遗传算法的智能控制 第五章 基于遗传算法的智能控制 二.遗传算法的特点 1.遗传算法是对参数的编码进行操作，而非对参数本身。 2.遗传算法是从许多点开始并行操作，并非局限于一点，从而可有效防止搜索过程收敛于局部最优解。 3.遗传算法通过目标函数计算适值，并不需要其它推导和附加信息，因而对问题的依赖性较小。 4.遗传算法的寻优规则是由概率决定的，而非确定性的。 5.遗传算法在解空间进行高效启发式搜索，而非盲目地 穷举或完全随机搜索。 6.遗传算法对所求解的优化问题没有太多的数学要求。 7.遗传算法具有并行计算的特点，因而可通过大规模 并行计算来提高计算速度。 第五章 基于遗传算法的智能控制 4.1.3 遗传算法的基本操作 复制（繁殖），是从旧种群中选择生命力强的个体位串（或称字符串），生成新种群的过程。直观地讲，可以把目标函数f 看作是期望的最大效益的某种量度，根据位串的适应度值所进行的拷贝。这就意味着，具有较高适应度的位串，具有更多的机会遗传到下一代。 一般的遗传算法都包含三个基本操作： 复制(reproduction) 交叉(crossover) 变异(mutation) 一.复制操作 第五章 基于遗传算法的智能控制 举例：假设优化问题是函数f(x)=x2 当自变量 x 在 0 到31之间取整数值时，寻求f(x)=x2的最大值。 1.遗传算法中的参数编