第十四章 遗传算法 智能系统课件.ppt

第十四章 遗传算法 14.1 遗传算法的基本特点 14.2 遗传算法的基本操作 14.3 遗传算法的设计步骤 14.4 遗传算法的实质 19世纪50年代，英国生物学家达尔文（C. R. Darwin，1809 ~ 1882)根据他对世界各地生活的考察资料和人工选择的实验，提出了生物进化论。 根据达尔文的进化论，生物发展进化主要有三个原因，就是遗传、变异和选择。 遗传就使子代总是和父代相似，遗传性是一切事物所共有的特性，遗传是生物进化的基础。 变异是指子代是父代有某些不相似的现象，即子代永远不会和父代完全一样。生物的变异性为生物的进化和发展创造了条件。 选择决定生物进化的方向，所谓选择是指保留和淘汰的意思。 选择分为人工选择和自然选择 选择就是优生劣汰 生物就是在遗传、变异与选择三种因素的综合作用过程中，不断的向前发展和进化。 选择是通过遗传和变异起作用 变异为选择提供资料，遗传巩固与积累选择的资料 选择则能控制变异和遗传的方向，使变异和遗传向着适应环境方向发展。 遗传算法（Genetic Algorithm，简称GA）是建立在自然选择和自然遗传学机理基础上的迭代自适应概率性搜索算法。 该算法最早是由美国的J.H.Holland教授1975年 提出的一种模仿生物进化过程的最优化方法 它模拟了自然选择和自然遗传过程中发生的繁殖，交换、变异现象，根据适者生存、优胜劣汰的自然法则利用遗传算子：选择、交叉、变异逐代产生、优选个体，最终搜索到较优的个体。 遗传算法具有不需要求梯度、能得到全局最优解、算法简单、可并行处理等优点 遗传算法已成功应用与各种复杂问题的优化中，在许多传统优化技术难以解决的场合更显示出其优越性。 遗传算法术语 14.1遗传算法的基本特点 14.2遗传算法的基本操作 14.3 遗传算法的设计步骤 14.4遗传算法的实质 * 变异 变异(mutation) 交叉、交换 交配(crossover) 选择、复制 繁殖（reproduction）再生 种群 代(generation) 每个字符串 基因(gene) 字符串（或样本）个体(individul) 染色体(chromosome) 遗传算法 遗传学 遗传算法有以下的基本特点 1）遗传算法通过编码将优化问题的自然参数编码成有限长度数字串位，故遗传算法基本上不受函数约束条件（如连续、可导、单调等）特性的限制，能在极其广泛的问题求解过程中发挥作用。 2）传统搜索法基本上是点到点的搜索方法，遗传算法是全局优化方法 3）遗传算法在选择过程中，依据一定概率随机地选择个体是为了摹仿自然界进化过程中的“适者生存”、“优胜劣汰”的竞争规则。 遗传算法是一种对群体的操作，该操作是以群体中的所有个体为对象。 1）选择（复制）操作 实现选择操作的方式很多，其类型主要有以下几种： （1）直接基于适应度的比例选择机制 a）赌轮(Roulette wheel selection)选择方式； b）期望值模型(Expected value model)选择方式； c）随机竞争(Stochastic tournament)选择方式 （2）间接基于适应度的非线性选择机制 a）线性标定(Scaling)： b）幂函数标定： c）指数标定： （3）基于代沟(Generation)方式的种群选择机制 （4）基于小生境技术的种群选择机制 a）基于预选择(preselection)机制的小生境技术 b）基于种群(Crowding)机制的小生境技术 c）基于共享(sharing)机制的小生境技术 2）交叉（交换）操作 在设计交叉算子时，需要兼顾如下两个基本要求： （1）交叉操作要有利于父串关键特征（模式）以及有利于变异的遗传和继承； （2）交叉操作要有利于的遗传变异库的更新和丰富。 简单的交叉可分两步进行：首先对种群中的个体某一个概率值进行随机配对；其次在配对个体中随机设定交叉处，被配对个体彼此交换部分信息。交叉操作类型一般有一点交叉(one-point crossover)；二点交叉(two-point crossover)；多点交叉(multi-point crossover)和一致交叉(uniform crossover)几种。 3）变异操作 在应用遗传算法求解具体问题时，主要考虑以下几个问题： 1）参数编码 对寻优参数编码。确定寻优参数和各参数的变化范围，将各寻优参数用无符号的二进制数表示。设某寻优参数a 则b可由下式求得： 的变化范围是 ，若用m位二进制数b来表示， 再将所有寻优参数的二进制数串联成一个二进制的字符串s，又称为样本。若有r个寻优参数，每个参数都用m位二 位。 进制数表示，则字符串s共有 2）种群