知识工程与知识管理第4章（3遺传算法）.ppt

第4章 计算智能的仿生技术 (3) 遗 传 算 法 4．3 遗传算法 4．3．1 遗传算法原理 4．3．2 优化模型的遗传算法求解 4．3．3 基于遗传的分类学习系统 4.3.1 遗传算法原理 遗传算法（Genetic Algorithms,GA）是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化搜索算法。 它模拟了生物的繁殖、交配和变异现象，从初始的种群，产生一群更适应环境的后代。 1975年美国Michigan大学J.Holland教授提出。 美国人De.Jong博士将遗传算法应用于函数优化。 Goldberg完成了遗传算法的框架。 4.3.1.1 遗传算法概述 遗传算法（Genetic Algorithms，GA）是一种基于遗传学的搜索优化算法。 遗传是作为一种指令码封装在每个染色体（个体）中，并以基因（位）的形式包含在染色体（个体）中。 在遗传算法中，“染色体”对应的是数据或数组，通常是由一维的串结构数据来表现。串上各个位置对应“基因”，而各位置上的值对应基因的取值。基因组成的串就是染色体，或者叫做基因型个体。一定数量的个体组成了群体。 遗传算法将问题的每个可能的解按某种形式进行编码，编码后的解称作染色体（个体）。 随机选取N个染色体（个体）构成初始种群，再根据预定的评价函数对每个染色体计算适应值，使得性能较好的染色体具有较高的适应值。 遗传算法的处理流程图 4.3.1.2遗传算法中的基本要素 遗传算法中包含了如下五个基本要素： 1）问题编码 2）初始群体的设定 3）适应值函数的设计 4）遗传操作设计 5）控制参数设定（主要是指群体大小和使用遗传操作的概率等） 这五个要素构成了遗传算法的核心内容。 （1）问题编码 如何将问题描述成位串的形式，即问题编码。一般将问题中各参数用二进制编码，构成子串，再将子串拼接起来构成“染色体”位串。 不同串长和不同的码制，对问题求解的精度和遗传算法收敛时间会有很多影响。 目前也出现采用其它编码方式，如用向量、规则来表示染色体。 （2）初始群体的生成 遗传算法是群体型操作，这样必须为遗传操作准备一个由若干初始解组成的初始群体。 初始群体的每个个体都是通过随机方法产生的。 （3）适应值函数的确定 适应值函数是根据目标函数确定的。适应值总是非负的，任何情况下总是希望越大越好。 适应值函数的选取至关重要，它直接影响到算法的收敛速度即最终能否找到最优解。 函数优化问题可直接将目标函数本身作为适应值函数。 （4）控制参数 参数主要有个体编码长度、群体大小M、交叉概率Pc、变异概率Pm、终止代数T等 这些参数对遗传算法的运行影响很大，需要认真选择。 4.3.1.3 遗传算子 1、选择(Selection)算子 依据每个染色体的适应值大小，适应值越大，被选中的概率就越大，其子孙在下一代产生的个数就越多。 选择操作是建立在群体中个体的适应值评估基础上的，目前常用的选择算子有适应值比例法、最佳个体保存法、期望值方法等。 2、交叉(Crossover)算子 通过染色体重组来产生新一代染色体。 如有两个用二进制编码的个体A和B。 交叉前后为： A=a1a2a3│a4a5 A’=a1a2a3│b4b5 B=b1b2b3│b4b5 B’=b1b2b3│a4a5 (父代) (子代) 3、变异(Mutation)算子 变异增加了遗传算法找到接近最优解的能力。 变异就是以很小的概率，随机地改变字符串某个位置上的值。把某一位的内容进行变异。 在二进制编码中，就是将某位0变成1，1变成0。 如：110010的第四位变异成110110 （父代） （子代） 4.3.1.4 遗传算法的理论基础 1.模式定理 遗传算法的理论基础是Holland提出的模式定理。一个模式(Schema)就是一个描述种群中在位串的某些确定位置上具有相似性的位串子集的相似性模板(Similarity Template)。 模式定理是遗传算法的理论基础，它说明： 高适应值、长度短、阶数低的模式在后代中至少以指数增长包含该模式H的位串的数目。 原因在于遗传使高适应值的模式复制更多的后代。 2．基因块假设 高适应值、长度短、低阶的模式叫基因块。基因块假说： 长度短的、低阶的、高适应值的模式(基因块)通过遗传操作繁殖、交换、变异，的逐渐