[物理]第五章计算智能.ppt

中南大学 智能系统与智能软件研究所 第5章 计算智能(2): 进化计算 人工生命 进化计算包括： 遗传算法(genetic algorithms，GA) 进化策略(evolution strategies) 进化编程(evolutionary rogramming) 遗传编程(genetic programming) 人类不满足于模仿生物进化行为，希望能够建立具有自然生命特征的人造生命和人造生命系统。 人工生命是人工智能和计算智能的一个新的研究热点。 5.1 遗传算法 遗传算法是模仿生物遗传学和自然选择机理，通过人工方式所构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的最重要的形式。 遗传算法为那些难以找到传统数学模型的难题指出了一个解决方法。 进化计算和遗传算法借鉴了生物科学中的某些知识，这也体现了人工智能这一交叉学科的特点。 遗传算法不是直接作用在参变量集上而是利用参变量集的某种编码 遗传算法不是从单个点，而是从一个点的群体开始搜索； 遗传算法利用适应值信息，无须导数或其它辅助信息； 遗传算法利用概率转移规则，而非确定性规则。 遗传算法的优越性主要表现在：首先，它在搜索过程中不容易陷入局部最优，即使所定义的适应函数是不连续的、非规则的或有噪声的情况下，它也能以很大的概率找到整体最优解；其次，由于它固有的并行性，遗传算法非常适用于大规模并行计算机。 5.1.1 遗传算法的基本机理 霍兰德的遗传算法通常称为简单遗传算法（SGA）。现以此作为讨论主要对象，加上适应的改进，来分析遗传算法的结构和机理。 编码与解码 适应度函数 遗传操作 遗传学相关概念 个体与种群 个体就是模拟生物个体而对问题中的对象（一般就是问题的解）的一种称呼，一个个体也就是搜索空间中的一个点。 种群(population)就是模拟生物种群而由若干个体组成的群体, 它一般是整个搜索空间的一个很小的子集。 编码与译码 编码——将问题结构变换为位串形式。 译码——将位串形式变换为原问题结构。 把位串形式编码表示叫染色体，有时也叫个体。 选择操作（复制操作）——根据个体的适应度函数值所度量的优、劣程度决定它在下一代是被淘汰还是被遗传。 一般使适应度较大(优良)个体有较大的存在机会，而适应度较小（低劣）的个体继续存在的机会也较小。 变异：一种简单方式是改变数码串的某个位置上的数码。 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 4.控制参数 （1）实施交叉、变异操作的概率 并非所有被选择了的染色体都要进行交叉操作和变异操作，而是按一定的概率进行。一般在程序设计中选择： 交叉操作概率变异操作概率 （2）种群规模 三、简单遗传算法 5.1.2 遗传算法的求解步骤 1. 基本遗传算法的特点 (1) 遗传算法是对参数集合的编码而非针对参数本身进行进化； (2)?遗传算法是从问题解的编码组开始而非从单个解开始搜索； (3)?遗传算法利用目标函数的适应度这一信息而非利用导数或其它辅助信息来指导搜索； (4)?遗传算法利用选择、交叉、变异等算子而不是利用确定性规则进行随机操作。 2. 遗传算法的框图(图5.2) (1) 初始化群体; (2) 计算群体上每个个体的适应度值; (3) 按由个体适应度值所决定的某个规则选 择将进入下一代的个体; (4) 按概率Pc进行交叉操作; (5) 按概率Pc进行突变操作; (6) 若没有满足某种停止条件，则转第(2)步， 否则进入下一步。 (7) 输出群体中适应度值最优的染色体作为问题的 满意解或最优解。 3 一般遗传算法的主要步骤如下： (1) 随机产生一个由确定长度的特征字符串组成的初始群体。 (2)?对该字符串群体迭代的执行下面的步①和② ，直到满足停止标准： ① 计算群体中每个个体字符串的适应值； ② 应用复制、交叉和变异等遗传算子产生下一代群体。 (3)?把在后代中出现的最好的个体字符串指定为遗传算法的执行结果，这个结果可以表示问题的一个解。 遗传算法的一般结构表示 Procedure: Genetic Algorithms begin t ← 0; initialize P(t);evaluate P(t); while (not termination condition ) do begin recombine P(t) to yield C(t); evaluate C(t);