遗传基因演算法.pptVIP

遺傳基因演算法 緣由 遺傳基因演算法其主要的目的為嚴謹地架構出自然生物系統的進化過程，以期由此激起自然系統和人工系統兩大領域發展上的大突破，近來被廣泛的應用於搜尋各類問題的最佳解，藉由生物物種的基本運算子，在每代間進行演化，終而尋得適當問題的最佳解。 特色 遺傳的演算法則跟一般的最佳化方法所不同之主要特性分述如下 遺傳演算法的運算，主要在參數經過編碼的位元字串上，而非參數本身，所以在搜尋分析上不受參數連續性的限制。 遺傳演算法採用隨機多點同時搜尋的方式(複製 ?交配 ? 突變) ，而非傳統的單點依序搜尋方式，因此可以避免侷限在區域的最佳解上，而得到問題的最佳解上。 遺傳演算法則運算時只需訂定問題要求的目標函數(Objective function) ，並不需其他的的輔助資訊(如函數的微分性、連續性) ，所以適合各類問題的目標函數。 基本精神 用基因演算法求解最佳化的基本精神為: 對於問題搜尋自然參數解的自然集合 將所要的參數編碼成一字串，隨機重複N個原始物種(字串)，然後依據求解來得到適應函數(fitness function) 適應高的函數被挑選到交配池，即複製的過程，在一交配及突變過程的運算下完成一代基因演算法則)如此重複下去以產生適應力最強的物種(最佳解) 一. 複製(reproduction): 1.複製是依據每一物種的適應程度來決定下一代中應被淘汰或複製且保留的個數多寡的一種運算過程 2.複製過程有兩種形式:(a)輪盤式選擇(b)競爭式選擇 (a)輪盤式選擇(roulette wheel selection) 在每一代的演化過程中，首先依每個物種(字串)的適應函數值的大小來分割輪盤的位置，適應函數值越大的話，則在輪盤上佔有的面積比例也越大，每個物種在輪盤上佔有的面積比例越大代表被挑選到交配池中的機率越大，然後隨機選取輪盤的一點，其所對應的物種即被選入到交配池中。 (b)競爭式選擇(tournament selection) 在每一代的演化過程中首先隨機地選取兩個或更多的物種(字串），具有最大適應函數值的物種即被選中送至交配池中。 二. 交配(crossover): 交配運算式，依據交配率從一族群中隨機地任意兩個字元串，經彼此交換字元串的某些位元資訊而產生兩個新位元字串的一種過程，一般而言交配運算可以用: (a)單點交配 (b)兩點交配 (c)字罩交配 三. 突變(mutation): 突變的過程是隨機的選取一物種的字串，並隨機選取突變點，並改變物種字串裡的位元資訊突變過程發生機率由突變機率所控制。 突變過程可以針對單一位元或對整個字串進行突變演算或以字罩突變方式為之，對於二進制的位元字串就是將字串的 0變1 ， 1變成0 。 討論︰ 我們使用基因演算法作GM(1,1)建模，主要是利用基因演算的特性。因其比較不會受限於局部最佳解，較易找出多點之最佳值，我們可利用找出之多點最佳值再去找出最佳解，因我們可從多點值之中找出最佳值之坐落位置，再縮小範圍求得最佳解。不過，有幾點需特別注意。首先，我們撰寫適應函數時，應注意矩陣之次項，否則會發現程式無法執行，通常很容易發生，而且不易發現問題所在。 再者，當我們執行程式時，因基因演算法之第一步驟為產生一隨機子代，所以每次求得之值並不相同，並不一定就是我們要的答案，我們必須多執行幾次找出最佳者。最後，再程式中之突變率需依代數的長短來決定，基本上，代數越長突變率就不需太大，否則易將把求得之最佳解再次突變，不過還是視情況而定。 * *