人工智能-9_遗传算法教学幻灯片.ppt

* （3）全局最优解 遗传算法由于采用交换、突变等操作，产生新的个体，扩大了搜索范围，使得搜索得到的优化结果是全局最优解而不是局部最优解。 （4）黑箱式结构 遗传算法根据所解决问题的特性，进行编码和选择适应度。一旦完成字符串和适应度的表达，其余的复制、交换、突变等操作都可按常规手续执行。个体的编码如同输入，适应度如同输出。因此遗传算法从某种意义上讲是一种只考虑输入与输出关系的黑箱问题。 4、遗传算法的基本特征 * （5）通用性强 传统的优化算法，需要将所解决的问题用数学式子表示，常常要求解该数学函数的一阶导数或二阶导数。采用遗传算法，只用编码及适应度表示问题，并不要求明确的数学方程及导数表达式。因此，遗传算法通用性强，可应用于离散问题及函数关系不明确的复杂问题，有人称遗传算法是一种框架型算法，它只有一些简单的原则要求，在实施过程中可以赋予更多的含义。 （6）并行式算法 遗传算法是从初始群体出发，经过复制、交换、突变等操作，产生一组新的群体。每次迭代计算，都是针对一组个体同时进行，而不是针对某个个体进行。因此，尽管遗传算法是一种搜索算法，但是由于采用这种并行机理，搜索速度很高。这种并行式计算是遗传算法的一个重要特征。 4、遗传算法的基本特征 * 遗传算法受生物进化与遗传的启发，形成一种独特的优化方式，因此，遗传算法的运算原则常常与生物进化及遗传学说吻合，而且其术语也常常仿效生物学的术语。 遗传算法的运算基础是字符串，它就相当于生物学中的染色体。 字符串由一系列字符组成，每个字符都有特定的含义，反应所解决问题的某个特征，这就相当于基因，即染色体DNA的片段。 在进行交换、突变操作时，遗传算法只涉及到字符串某些片段，这就类似于遗传过程只涉及某些基因而不是整个染色体。 5、遗传算法的生物学含义 * 遗传学很注重等位基因，它是反映生物某一形态所对应的基因。在遗传算法的字符串中，每个字符都反映问题的某一特性，这也就相当于等位基因，至于等位基因的位置，也就相当于该字符在字符串中的位置。 在遗传学中，杂交产生的子代里显现出亲本的性状，称作显性性状，未显现出来的亲本性状叫作隐性性状。控制显性性状的基因是显性基因，用大写英文字母表示。控制隐性性状的基因是隐性基因，用小写英文字母表示。在遗传算法中，模仿这种大、小字母表达方式，对显性基因和隐性基因采取不同的操作。 5、遗传算法的生物学含义 * 生物学术语在遗传算法中的对应意义如下表。 序号 生物学 遗传算法 1 2 3 4 5 6 染色体（Chromosome） 基因（Gene） 等位基因（Allele） 基因位置（Locus） 基因型（Genotype） 表现型（Phenotype） 字符串 字符 对应的字符 字符的位置 字符串结构 字符串含义 5、遗传算法的生物学含义 * 根据前面所讲的示例，可以看出遗传算法的实施过程中包括编码、产生群体、计算适应度、复制、交换、突变等操作。 遗传算法的详细流程如下图。 6、遗传算法的工作步骤 * Gen：遗传（迭代）的代次。表明遗传算法反复执行的次数，即已产生群体的代次数目。 M：群体中拥有的个体数目。 i：已处理个体的累计数，当i等于M，表明这一代的个体已全部处理完毕，需要转入下一代群体。 交叉率 Pc 就是参加交叉运算的染色体个数占全体染色体总数的比例，记为Pc,取值范围一般为0.4～0.99。 变异率 Pm 是指发生变异的基因位数所占全体染色体的基因总位数的比例，记为Pm，取值范围一般为0.0001～0.1。 复制概率 Pt 用于控制复制与淘汰的个体数目。 Pc Pt Pm No No Yes Gen：=0 随机产生初始群体 满足终止条件 计算群体中各个体的适应度 i：=0 i：=M? 选择遗传算子及概率 根据适应度选择两个个体 i：=i+1 执行交换 将两个交换结果添入新群体 i：=i+1 将复制结果添入新群体 执行复制 根据适应度选择一个个体 将突变结果添入新群体 执行突变 Gen：=Gen+1 输出结果 结束 Yes * 概括地讲，遗传算法主要执行以下四步： （1）随机地建立由字符串组成的初始群体； （2）计算各个体的适应度； （3）根据遗传概率，利用下述操作产生新群体： 1）复制。将已有的优良个体复制后添入新群体中，删除劣 质个体； 2）交换。将选出的两个个体进行