智能信息技术基础-5进化.pptVIP

进化计算Evolutionary Computation 封筠 Email：fengjun7171@ :6621/ User: Student.feng 08-03 Outline 一、引言 二、遗传算法基本内容 三、进化策略基本内容 四、进化规划基本内容 五、进化信息处理应用 六、研究现状与发展趋势 一、引言 进化计算（ Evolutionary Computation，EC ）是一种模拟生物进化过程与机制求解问题的自组织、自适应性人工智能技术。它是以生物界的“优胜劣汰，适者生存”作为算法的进化规则，结合达尔文的自然选择与孟德尔的遗传变异理论，将生物进化中的四种基本形式：繁殖(Reproduction)、变异(Mutation)、竞争(Competition)和选择(Selection)引入到算法的过程中，指导算法的进行。因此，进化计算是建立在模拟生物进化过程基础上而产生的一种随机搜索优化技术。 一、引言 1、进化计算的产生与发展 2、进化计算的主要特点 3、进化计算的基本结构 4、进化计算的分类 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 1、进化计算的产生与发展 2、进化计算的主要特点 1、有指导搜索 2、自适应搜索 3、渐进式寻优 4、并行式搜索 5、黑箱式结构 6、全局最优解 7、内在学习性 8、稳健性强 2、进化计算的主要特点 3、进化计算的基本结构 3、进化计算的基本结构 4、进化计算的分类 4、进化计算的分类 4、进化计算的分类 4、进化计算的分类 4、进化计算的分类 4、进化计算的分类 4、进化计算的分类 二、遗传算法基本内容 1、遗传算法的基本思想 2、遗传算法的基本结构 3、基本遗传算子 4、应用中的一些基本问题 5、举例 1、遗传算法的基本思想 1、遗传算法的基本思想 1、遗传算法的基本思想 传统的优化方法 依赖于初始条件。 与求解空间有紧密关系，促使较快地收敛到局部解，但同时对解域有约束，如可微或连续。利用这些约束，收敛快。 有些方法，如Davison-Fletcher-Powell直接依赖于至少一阶导数； 共轭梯度法隐含地依赖于梯度。 1、遗传算法的基本思想 全局优化方法 不依赖于初始条件。 不与求解空间有紧密关系，对解域，无可微或连续的要求。求解稳健，但收敛速度慢。能获得全局最优。适合于求解空间不知的情况。 1、遗传算法的基本思想 1、遗传算法的基本思想 1、遗传算法的基本思想 1、遗传算法的基本思想 2、遗传算法的基本结构 2、遗传算法的基本结构 2、遗传算法的基本结构 步5 按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1； 步6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2； 2、遗传算法的基本结构 3、基本遗传算子 3、基本遗传算子 3、基本遗传算子 按各染色体适应度大小比例来决定其被选择数目的多少。 某染色体被选的概率Pc为 3、基本遗传算子 3、基本遗传算子 3、基本遗传算子 3、基本遗传算子 3、基本遗传算子 4、应用中的一些基本问题 4、应用中的一些基本问题 4、应用中的一些基本问题 4、应用中的一些基本问题 4、应用中的一些基本问题 5、举例 5、举例 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 5、举例 5、举例 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64