42 进化计算基础.ppt

* 4.2 进化计算基础 进化计算(算法） Evolutionary Computation; Evolutionary Algorithms 一类模拟自然界生物进化（优化）过程的优化方法。 进化算法的生物学基础 细胞（Cell）是构成生物的基本结构和功能单位。染色体（Chromosome）是细胞中一种丝状链结构化合物质，所有遗传信息包含在其中。基因（Gene）为染色体长链结构中占一定位置的基本遗传单位，生物的各种性状由其相应的基因所控制，细胞通过分裂自我复制，分裂过程中遗传基因也同时被复制到下一代，从而性状也被继承。 基因在在染色体中的位置称为基因座（Locus）。同一基因座上可能有的全部基因称为等位基因（Allele）。某种生物所特有的基因及其构成形式称为生物的基因型(Genotype) 。生物在环境中所呈现的相应的性状称为生物的表现型（Phenotype） 。 ? 一个染色体组（genome)可代表一个生物个体(Individual)。生物进化是以集团的形式共同进行的，这样的一个团体称为群体（population)。 孟德尔的“遗传变异”理论：复制、交叉、变异（突变） 细胞在分裂时，染色体的遗传物质通过复制(Reproduction)而转移到新产生的细胞中，新细胞继承了旧细胞的基因。 有性生殖生物在繁殖下一代时，两个同源染色体之间通过交叉(Crossover)而重组(Recombination),也就是在两个同源染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合可形成两种新的染色体。 另外，在进行细胞复制时，虽然概率很小，但也有可能产生某些复制差错，从而使染色体发生某种变异(Mutation)或者说突变，产生出新的染色体。 每个生物个体对其生存环境都有不同的适应能力，即适应度（Fitness)。达尔文(Darwin)的自然选择 (Natural Selection)学说认为：基因与环境的适应程度决定其增殖能力，通过自然选择的力量，有利于生存环境的基因越来越多，而不利于生存环境的基因逐渐减少，物种逐渐向适合于生存环境的方向发展，品质不断得到了改良，即产生了进化(Evolution)。 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的机会遗传到下一代。 达尔文(Darwin)的自然选择 (Natural Selection)学说 生物个体或者说染色体的所有可能的形式构成生物全体，或者说遗传空间。遗传空间中的各个体有优劣之分，优的个体适应环境的能力强，劣的个体适应环境的能力弱。对现有个体的复制、交叉、变异等产生新个体的遗传操作，本质上是对遗传空间的搜索。对遗传空间的搜索，再加上优胜劣汰的自然选择，实现了生物个体的整体进化。 模拟进化算法 借鉴生物进化方式来实现目标函数的优化。把目标函数的定义（基本）空间比作生物的遗传空间，把定义空间中的一个解通过编码看成遗传空间中的一个个体（或染色体组），把定义空间的若干个解比作若干个生物个体组成的群体（population)，把问题解的优化程度比作生物个体对环境的适应程度，模拟生物交叉、变异等遗传操作定义函数解空间的搜索算子，模拟优胜劣汰的自然选择过程定义选择算子，在各种算子的共同作用下实现对函数解的优化。 基本思路 1、在目标函数的定义（基本）空间随机给出一些点（或个体）作为初始的父代群体 2、评价初始父代群体，若满足要求则结束，否则继续。 3、通过对父代群体的选择(selection)、交叉（crossover）、突变（mutation）等遗传操作产生新一代群体 4、评价新一代群体，若有满足要求的优化解或迭代次数足够多则过程结束，否则将新一代群体置为父代群体又回到步骤3。 算法框架 简单复制与选择可以合并。 生物个体的染色体基因是按一定规律排列的。因此，目标函数进化优化时，应首先对基本空间的点进行编码排列，即首先要定义个体编码方式。个体的编码结构是个体的基因型；对应的基本空间的点的值相当于个体的表现型，二者一一对应。 解的编码（模拟个体） 编码方法：二进制编码方法；格雷码（Gray Code）编码方法；浮点数编码方法；符号编码方法；多参数级联编码方法；多参数交叉编码方法。遗传编程中的编码复杂。 编码与算子 比例选择（Proportional Model）；最优保存策略；确定式采样选择（Deterministic Sampling）;无回放随机选择（期望值选择方法，Expected Value Model）；无回放余数随机选择(Remainder Stochastic Sampling with Replacement)；排序选择（Rank Based Model, 要概率分配表）；随机联赛选择（Stochastic Tournament Model） 。