南理工系统工程-遗传算法简介.pptVIP

遗传算法 总结 应用实例分析 遗传算法的分析步骤 遗传算法的简介 主要内容 遗传算法的原理 * 简介 一 遗传算法的简介 遗传算法是由美国 M ichigan大学的Holland教授于1975年首先提出的。它源于达尔文的进化论、孟德尔的群体遗传学说和魏茨曼的物种选择学说;其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。 二 遗传算法原理 遗传算法是模拟生物在自然环境中优胜劣汰、适者生存的遗传和进化过程而形成的一种具有自适应能力的、全局性的概率搜索算法。它是从代表问题可能潜在解集的一个种群开始, 首先将表现型映射到基因型即编码, 每个编码对应问题的一个解, 称为染色体或个体。初始种群产生之后, 按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解。在每一代,根据问题域中个体的适应度大小选择个体, 并借助自然遗传学的遗传算子进行组合交叉和变异, 产生出代表新的解集的种群。这个过程使种群像自然进化一样, 后代种群比前代更加适应于环境,末代种群中的最优个体经过解码可以作为问题近似最优解。  交叉和变异 交叉和变异 编码 解码，筛选 潜在解集的一个种群 个体基因型 该种群的最优解 编码 解码，筛选 下一代种群 个体基因型 该种群的最优解 最优解 。。。。。。 1 2 6 3 4 5 建立数学模型 确定适应度转换规则 编码 解码 确定运行参数,运行参数 设计遗传算子,即设计交叉、变异和选择算子等 三 遗传算法步骤： 种群规模N。种群规模N表示每一代种群中所含个体数目。当N取值较小时，可提高遗传算法的运算速度，但却降低种群的多样性，容易引起遗传算法早熟，出现假收敛；而当N取值较大时，又会使得遗传算法效率降低。一般建议的取值范围是20~100。  1 建立数学模型 01 终止进化代数T。遗传算法不同于传统优化算法，它很难有明确的搜索终止准则（特别是对于非数值优化问题），于是通常需指定一个终止进化代数来终止算法，一般设[100,1000]?。一般来说，事先指定T通常只能找到给定问题的在给定时限内所能寻求的相对满意解，但不一定是问题的最优解或较高精度的近似解。为了获得较高精度解，通常可依据种群适应度的稳定情况来实时调整T的设置。? 02 2 编码 3 解码 遗传算子只对编码后的染色体起作用,由个体表现型计算目标函数值后就可以判断染色体的优劣。 基因 用设计好的算法将表现型映射到个体基因型。首先将表现型映射到基因型即编码, 每个编码对应问题的一个解, 称为染色体或个体。 编码长度L 使用二进制编码时，L通常由对问题的求解精度决定，编码长度L越长，可期望的最优解的精度也就越高，但应注意过大的L会增大运算量。 4 确定适应度转换规则,染色体所对应的解空间的值可能相差很大,需要一定的转换使其适合定量评估个体的优劣。 在遗传算法中，根据个体适应度的大小来确定该个体在选择操作中被选定的概率。 1 个体的适应度越大，该个体被遗传到下一代的概率也越大。 。 2 基本遗传算法使用比例选择操作方法来确定群体中各个个体是否有可能遗传到下一代群体中。 3 为了正确计算不同情况下各个个体的选择概率，要求所有个体的适应度必须为正数或为零 4 这样，根据不同种类的问题，必须预先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好目标函数值为负数时的处理方法。 5 设计交叉、变异 设计遗传算子,即设计交叉、变异等。遗传算子与待优化问题、染色体的编码方案有很大的关系。 变异概率Pm。 变异概率Pm。较大的变异概率Pm使遗传算法在整个搜索空间中大步跳跃，而小的变异概率使遗传算法聚焦于特别区域作局部搜索。 交叉概率Pc 交叉概率Pc。在遗传算法中交叉算子被认为是主要搜索算子，因而一般取较大值。一般说，较大的Pc容易破坏群体中已形成的优良模式，是搜索的随机性太大，而较小的Pc使发现新个体（特别是优良新个体）的速度太慢。一般建议的取值范围是0.4~0.99。另外，比较理想的的方式是非一致地使用交叉概率，例如在遗传算法的前期使用较大的Pc，后期降低Pc以保留优良个体。 确定运行参数,运行参数包括交叉概率、变异概率和种群数目等。遗传算法本身的参数还缺乏定量的标准,目前采用的多是经验数值, 并且遗传参数的选取与编码和遗传算子的设计有很大关系。 6 确定运行参数,运行参数 四 应用实例分析 用遗传算法求函数的最大值 其中 -2.048≤x1,x2≦2.048 1 建立模型 解： N=80;%种群规模 T=100;%迭代到第几代 Pc=0.8;%交叉概率 Pm=0.05;%变异概率 L=10;%编码长度 2 编码 在这里，使用了一个80*20阶的