[生物学]遗传算法.pptVIP

三. 遗传算法的模式理论 一个模式s的阶(order)是出现在模式中的“0”和“1”的数目，记为o(s)。 - 如：模式“0****”的阶为1，模式“10*1*”的阶为3 一个模式s的长度(Length)是出现在模式中第一个确定位置和最后一个确定位置之间的距离，记为 。 - 如：模式“01***”的长度为1，模式“0***1”的长度为3。 三. 遗传算法的模式理论 复制对模式的影响： 假定在给定的时间（代）t，一个特定的模式s在群体P(t)中包含有m个代表串，记为m=m(s,t)。每个串根据适应值的大小获得不同的复制概率。串i的复制概率为： 则在群体P(t+1)中，模式s的代表串的数量的期望值为 其中， 表示模式s在t时刻的所有代表串的适应值的均值，称为模式s的适应值。 三. 遗传算法的模式理论 复制对模式的影响： 若记P(t)中所有个体的适应值的平均值为： 则有： 上式表明，模式s的代表串的数目随时间增长的幅度正比于模式s的适应值与群体平均适应值的比值。即：适应值高于群体平均值的模式在下一代的代表串数目将会增加，而适应值低于群体平均值的模式在下一代的代表串数目将会减少。 三. 遗传算法的模式理论 复制对模式的影响： 假设模式的适应值为 ，其中c是一个常数，则有： 上式表明，在平均适应值之上（之下）的模式，将会按指数增长（衰减）的方式被复制。复制的结果并没有生成新的模式。因而，为了探索搜索空间中的未搜索部分，需要利用交叉和变异操作。 三. 遗传算法的模式理论 交叉对模式的影响： 交叉会改变模式的一部分，模式的长度越长，被破坏的概率越大。 假定模式s在交叉后不被破坏的概率为ps，则： 若交叉概率为pc，则s不被破坏的概率为： 三. 遗传算法的模式理论 交叉对模式的影响： 若综合考虑复制和交叉的影响，特定模式在下一代中的数量可用下式来估计： 可见，对于那些高于平均适应度且具有短定义长度的模式将更多地出现在下一代中。 三. 遗传算法的模式理论 变异对模式的影响： 变异算子以概率pm随机地改变个体某一位的值，只有当o(s)个确定位的值不被破坏时，模式s才不被破坏。 模式s在变异后不被破坏的概率： 由于Pm1，可近似地表示为： 三. 遗传算法的模式理论 变异对模式的影响： 综合考虑复制、交叉及变异操作，可得特定模式s的数量为： 三. 遗传算法的模式理论 模式理论(Schema Theorem)： 适应值在群体适应值之上的、长度较短的、低阶的模式在GA的迭代中将按增长方式被复制。 “积木块假设”(Building Block Hypothesis): 低阶、长度较短、高于平均适应度的模式(积木块)在遗传算子的作用下，相互结合，能生成高阶、长度较长、适应度较高的模式，并得到全局最优解。 三. 遗传算法的模式理论 遗传算法的特点： ◆ GA是对参数集合的编码而非针对参数本身进行优化 ◆ GA是从问题解的编码组开始而非单个解开始搜索 ◆ GA利用目标函数的适应度这一信息而非利用导数或其他辅助信息来指导搜索 ◆ GA利用选择、交叉、变异等算子而不是确定性规则进行随机操作 三. 遗传算法的模式理论 遗传算法的局限性： ◆ 遗传算法在解决某些问题时速度较慢 ◆ 遗传算法对编码方案的依赖性较强 ◆ 算法的鲁棒性不够好 遗传算法的应用 遗传算法在人工智能的众多领域便得到了广泛应用。例如，机器学习、聚类、控制（如煤气管道控制）、规划（如生产任务规划）、设计（如通信网络设计、布局设计）、调度（如作业车间调度、机器调度、运输问题）、配置（机器配置、分配问题）、组合优化（如TSP、背包问题）、函数的最大值以及图像处理和信号处理等等。 三. 遗传算法的模式理论 另一方面，人们又将遗传算法与其他智能算法和技术相结合，使其问题求解能力得到进一步扩展和提高。例如，将遗传算法与模糊技术、神经网络相结合，已取得了不少成果。 四. 遗传算法的改进算法 4.1 双倍体遗传算法 4.2 双种群遗传算法 4.1 双倍体遗传算法 1. 基本思想