遗传算法(精讲).pptVIP

遗传算法 二、遗传算法中的基本概念（1） 形式化描述 GA=(P(0), N, l, s, g, p, f, t) 其中：P(0)=(P1(0),P2(0),…,Pn(0)),表示初始种群； N表示种群中含有个体的个数； l表示二进制串的长度； s表示选择策略； g表示遗传算子（选择算子Qr、杂交算子Qc和变异算子Qm)； p表示遗传算子的操作概率（选择概率pr、杂交概率Pc和变异概率Pm)； f是适应度函数； t是终止准则。 二、遗传算法中的基本概念（2） 问题的解空间 遗传算法主要用在对所研究问题寻求最优解或次优解的领域中，通常，问题的最优解或次优解是包含在一个庞大的有限可能的解集合中。我们把这个有限可能的解集合称为问题的解空间。 种群(popolation)与个体(individual) 遗传算法在求解问题时是从初始给定的多个解开始搜索的，这初始给定的多个解的集合称为一个种群，种群是问题的解空间的一个子集，种群中的每个元素叫个体。 三、遗传算法的基本流程（1） 四、遗传编码（1） 四、遗传编码（2） 五、适应值函数（1） 五、适应值函数（2） 五、适应值函数（3） 五、适应值函数（4） 六、遗传操作（1） 六、遗传操作（2） 六、遗传操作（3） 六、遗传操作（4） 六、遗传操作（5） 六、遗传操作（6） 六、遗传操作（7） 六、遗传操作（8） 六、遗传操作（9） 六、遗传操作（10） 六、遗传操作（11） 六、遗传操作（12） 六、遗传操作（13） 七、初始化种群（1） 七、初始化种群（2） 八、控制参数的选取（1） 八、控制参数的选取（2） 八、控制参数的选取（3） 九、算法的终止准则 十、遗传算法简例（1） 十、遗传算法简例（2） 十、遗传算法简例（3） 十、遗传算法简例（4） 十、遗传算法简例（5） 十、遗传算法简例（6） 十、遗传算法简例（7） 十、遗传算法简例（8） 十一、遗传算法的应用领域（1） 十一、遗传算法的应用领域（2） 由于遗传算法的许多控制转移规则是随机的，没有利用目标函数的剃度信息，所以在演化过程中，无法确定个体在解空间的位置，从而也无法用传统的方法来判断算法的收敛与否来终止算法。 常用的终止算法有： 预先规定最大演化代数； 连续多代后解的适应值没有明显改进，则终止； 达到明确的解目标，则终止。 例：用遗传算法求解一元函数最大值问题： f(x)=xsin(10πx)+2.0 (1) 编码：如果设定求解精度到6位小数，由于区间长度为2-（-1）=3，因此将闭区间[-1，2]分为3*106等份。因为 2097152=2213*106222=4194304 所以编码的二进制串至少需要22位。 现在采用22位二进制编码，将一个二进制串（b21b20…b0)与区间[-1，2]内对应的实数值建立对应关系： ?bi*2i i=0 21 10 （b21b20…b0)2= =x’ x=-1.0+x’· 2-(-1) 222-1 例如:一个二进制串s1=1000101110110101000111表示实数0.637197。 x’=(1000101110110101000111)2=2 288 967 x=-1.0+2288967· 2-(-1) 222-1 二进制串0000000000000000000000和 1111111111111111111111， 则分别表示区间的两个端点值-1和2。 (2) 产生初始种群 一个个体由串长为22的，随机产生的二进制串组成染色体的基因码，用它可以产生一定树木的个体组成的种群。 设产生的4个初始个体为： s1=1000101110110101000111 s2=0000001110000000100000 s3=1110000000111111000101 s4=0010001000110111010010 (3) 计算适应度 对于个体的适应度计算，考虑到本例目标函数在定义域内均大于0，而且是求函数的最大值，所以直接引用目标函数作为适应值函数： f(s)=f(x) 这里二进制串s对应变量x的值。以上4个个体的适应值及其所占的比例如表所示。 初始群体与选择 100 22.3 1.981785 -0.599032 0010001000110111010010 s4 77.7 36.5