进化计算及其应用.ppt

Part 2.4 遗传算子 单点交叉 双点交叉 子代1： 01| 000 子代2： 11| 101 父代1： 01| 101 父代2： 11| 000 交叉点 单点交叉 子代1： 01| 000| 00110 子代2： 11| 101| 10100 父代1： 01| 101| 00110 父代2： 11| 000| 10100 交叉点1 双点交叉 交叉点2 Part 2.4 遗传算子 变异算子 将个体染色体编码串中的某些基因座上的基因值用该基因座的其他等位基因来替换，从而形成一个新的个体。 二进制编码：基因值按照变异概率取反。 实数编码：用一个随机数替换原变异位置上的基因值。 常用算子：基本位变异、均匀变异、边界变异和非均匀变异。 Part 2.4 遗传算子 基本位变异： 对个体编码串中以变异概率Pm随机指定的某一位或某几位基因座上的基因值做变异运算。 只是改变个体编码串中个别几个基因座上的基因值，发生概率小、因此发挥作用较慢，效果不太明显。 均匀变异： 分别用符合某一范围内均匀分布的随机数，以某一较小的变异概率Pm来替换个体编码串中各个基因座上的原有基因值。 Part 2.5 数学基础 遗传算法的机理具有全局搜索和优化机制等属性。 模式定理和积木块假设等奠定了遗传算法的数学基础。 遗传算法收敛性分析。 Part 2.6 遗传规划 遗传算法： 采用的是定长的字符串，相当于对问题解答的结构和大小的一种预确定。极大地限制了在人工智能、及其学习和符号处理等领域的应用。 遗传规划： 计算机程序的结构和大小都是可以变化的。采用层次化的计算机程序代替字符串表达问题，克服了遗传算法表达方面的局限性。 Part 3 进化策略基本理论 产生背景 基本算法构成 主要特点 Part 3.1 产生背景 在做风洞实验时，用传统的方法很难对参数变量进行优化，而采用生物变异的思想来优化参数，却得到了很好的效果。 用模拟自然界生物进化概率来解决参数优化问题的进化方法----进化策略。 最初目的是求解多峰值非线性函数的优化问题，发展到基于各种不同的选择机制的多种进化策略，并都获得较好的效果。 Part 3.2 基本算法构成 个体表示方法 Part 3.2 基本算法构成 初始群体的产生 Part 3.2 基本算法构成 适应度评价 Part 3.2 基本算法构成 变异算子 Part 3.2 基本算法构成 交叉算子 Part 3.2 基本算法构成 选择算子 Part 3.2 主要特点 相同点： 进化策略和遗传算法都是基于生物的“优胜劣汰、适者生存”的进化原理，并采用了种群群体求解的寻优方式。 不同点： 二者的表达方式不同 二者的选择操作不同 所选择的进化操作不同 Part 4 进化规划基本理论 产生背景 基本算法构成 主要特点 三种算法的比较 Part 4.1 产生背景 起初，为求解预测问题而提出了一种有限状态机进化模型 机器的状态是基于均匀随机分布的规律进行变异 进化规划的思想被拓展到实数空间，用来求解实数空间中的优化计算问题 在变异运算中引入了正态分布的技术 进化规划演变成一种优化搜索的算法， 在很多实际领域中得到广泛应用 Part 4.2 基本算法构成 个体表示方法 适应度评价 Part 4.2 基本算法构成 变异算子 与遗传算法和进化策略不同，它是从整体的角度来模拟生物的进化过程的。个体的变异操作是唯一的一种最优个体搜索方法。 Part 4.2 基本算法构成 选择算子 Part 4.3 主要特点 着眼于物种的进化过程，不适用个体重组方面的操作算子 着重于各个个体之间的竞争选择，当数目较大时，跟进化策略中的类似 直接以问题的可行解作为个体的表现形式，更便于其的应用 以n维实数空间上的优化问题来作为主要的处理对象 Part 4.4 三种算法的比较 比较项目 遗传算法 进化策略 进化规划 个体表现形式 离散值 连续值 连续值 参数调整方法 无 标准偏差、协方差 方差 适应度评价方法 变换目标函数值 直接采用目标函数值 变换目标函数值 个体变异算子 辅助搜索方法 主要搜索方法 唯一搜索方法 个体交叉算子 主要搜索方法 辅助搜索方法 不使用 选择算子 概率选择 确定性选择 概率选择 Part 5 遗传算法应用实例 遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，广泛应用于很多学科。 函数优化、组合优化、生产调度问题、自动控制、机器人智能控制、图像处理和模式识别、人工生命、遗传程序设计、机器学习等。 Part 5 遗传算法应用于软件测试 软件测试 白盒测试 黑盒测试 功能性测试 结构级测试 Part 5 遗传算法应用于软件测试 #1 stmt1; #2 if(ex