遗传算法(第九章).pptVIP

浮点编码染色体的交叉 线性交叉 交叉公式 子个体＝父个体1＋F×(父个体2-父个体1) F为[0,1]间的均匀分布随机数 浮点编码染色体的交叉 中间交叉 交叉公式 子个体i＝父个体1i＋Fi×(父个体2i—父个体1i) 遗传算法基本要素与实现技术 变异算子 将个体染色体编码串中的某些基因位编码与字符集的其它字符替换 二进制编码染色体的变异 编码字符集为{0,1},变异操作就是将变异点上的基因取反 变异点是按概率Pm在染色体基因位上指定的 二进制编码染色体的变异 具体步骤 随机产生一个与个体编码串长度等长的屏蔽字W＝ 为[0,1]间的随机数 按下列规则对基因进行变异 若 Pm，则父代基因第i位变异 若 Pm，则父代基因第i位不变异 浮点编码染色体的变异 浮点编码变异 函数优化示例 求下列一元函数的最小值： x∈[-1,2] ，求解结果精确到6位小数。 GA对于本例的编码 由于区间长度为3，求解结果精确到6位小数，因此可将自变量定义区间划分为3×106等份。又因为221 3×106 222 ，所以本例的二进制编码长度至少需要22位，本例的编码过程实质上是将区间[-1，2]内对应的实数值转化为一个二进制串（b21b20…b0）。 几个术语 基因型：1000101110110101000111 表现型：0.637197 编码 解码 个体（染色体） 基因 初始种群 GA采用随机方法生成若干个个体的集合，该集合称为初始种群。初始种群中个体的数量称为种群规模。 适应度函数 遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的要求而定。 选择算子 遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概率小。选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群体。GA中选择算子采用轮盘赌选择方法。 轮盘赌选择方法 轮盘赌选择又称比例选择算子，它的基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。设群体大小为n ，个体i 的适应度为 Fi，则个体i 被选中遗传到下一代群体的概率为： 轮盘赌选择方法的实现步骤 （1） 计算群体中所有个体的适应度函数值（需要解码）； （2） 利用比例选择算子的公式，计算每个个体被选中遗传到下一代群体的概率； （3） 采用模拟赌盘操作（即生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配）来确定各个个体是否遗传到下一代群体中。 交叉算子 所谓交叉运算，是指对两个相互配对的染色体依据交叉概率 Pc 按某种方式相互交换其部分基因，从而形成两个新的个体。交叉运算是遗传算法区别于其他进化算法的重要特征，它在遗传算法中起关键作用，是产生新个体的主要方法。 SGA中交叉算子采用单点交叉算子。 单点交叉运算 交叉前： 00000|01110000000010000 11100|00000111111000101 交叉后： 00000|00000111111000101 11100|01110000000010000 交叉点 变异算子 所谓变异运算，是指依据变异概率 Pm 将个体编码串中的某些基因值用其它基因值来替换，从而形成一个新的个体。遗传算法中的变异运算是产生新个体的辅助方法，它决定了遗传算法的局部搜索能力，同时保持种群的多样性。交叉运算和变异运算的相互配合，共同完成对搜索空间的全局搜索和局部搜索。 SGA中变异算子采用基本位变异算子。 基本位变异算子 基本位变异算子是指对个体编码串随机指定的某一位或某几位基因作变异运算。对于基本遗传算法中用二进制编码符号串所表示的个体，若需要进行变异操作的某一基因座上的原有基因值为0，则变异操作将其变为1；反之，若原有基因值为1，则变异操作将其变为0 。 基本位变异算子的执行过程 变异前： 000001110000000010000 变异后： 000001110001000010000 变异点 运行参数 （1）M ： 种群规模 （2）T ： 遗传运算的终止进化代数 （3）Pc ： 交叉概率 （4）Pm ： 变异概率 GA的框图 产生初始群体 是否满足停止准则 是 输出结果并结束 计算个体适应度值 比例选择运算 单点交叉运算 基本位变异运算 否 产