遗传算法20111208.ppt

* * * * * * * * * * * * * * * * * * * * * * * * * * 遗传算法与人生优化 2011年12月8日 大连海事大学 任 光 遗传算法 第二部分 格式定理 第一部分 遗传算法 优化问题： J(w): Rn?R 任何指标 求w*使J(w*)取得极大值。 基于达尔文进化论，适者生存 择优劣汰，一代更比一代强 一、遗传算法 种群 染色体 选择 编码 适应度 交叉、变异 精英保护 从问题空间到遗传算法空间 一、遗传算法 染色体 编码 将参数空间的每一个点变换成二进制串 例：三维空间一点（10，7，11） 对应二进制串为1010 0111 1011 称为染色体 问题空间的一点 适应度: 性能指标 选择：产生下一代的方法 适应度高的个体产生下一代 交叉 (Crossover) 变异 (Mutation) 精英保护 (Elitism) 一、遗传算法 种群： 一代个体 一、遗传算法 优秀的父母已经选出： 交叉：一点交叉和多点交叉 父 母子女遗传 同理，十进制或实数都可以进行操作 一、遗传算法 优秀的父母已经选出： 变异：防止遗失好的基因，防止进入局部最优 操作：以小概率变换某一位 父 子 精英保护 ：最优秀的个体保留 下一代 当前代 ..... 一、遗传算法 选择、交叉、变异 ..... 精英保护 遗传算法基本步骤 1、编码 2、随机选择种群 3、计算中群中个体的适应度 4、根据适应度选择父母 5、应用交叉、变异、精英保护等策略产生下一代 6、判别是否满足条件？是：结束；否：回到3 遗传算法举例 求解f(x,y)的最大值 2、随机选择种群：20个体 3、计算种群中个体的适应度：适应度= f(x,y)-min f(x,y) 4、根据适应度选择父母 5、应用交叉、变异、精英保护等策略产生下一代 6、判别是否满足条件？是：结束；否：回到3 解：1、编码 ：限定搜索区[-3,3]×[-3,3] 分别对x,y用8位2进制数编码，28× 28=65536 遗传算法与人生优化 4、应用举例 优化函数（求最大值） z=abs(sin(15*x)).*(1-x./2.) +abs(sin(15*y)).*(1-y./2.); 编码：8位，2^8*2^8=65536 适应度计算，概率+适应度选择父母， 下一代，交叉100%，变异1%，运行30代 遗传算法与人生优化 遗传算法与人生优化 遗传算法与人生优化 1、自由元素 Don’t care elements 染色体为二进制的串，由0和1组成。自由元素表示为“*”可以是0也可以是1。 二、格式定理 格式定理：遗传算法的收敛性分析方法 或收敛性分析理论 （一）重要特征：收敛性分析的基础 （一）重要特征：收敛性分析的基础 2、方案Scheme 由0、1和*组成的串，例如：S=（1*01*），S表示方案，代表了GA空间的子空间或超平面。 例如： 用三维空间解释方案： 100代表一个点； 1*0代表一条直线； 1**代表一个平面； ***代表一个立方体； 显然p个自由元素代表了 个二进制串。 3、阶次 Order 阶次描述方案的确定性，其值为确定元素的个数（0、1 的个数）用O(S)表示。 O(S)= 方案的总长度-自由元素的个数。 例如： O(S)的值越大，方案的确定性越好，S1比S2更确定。 （一）重要特征：收敛性分析的基础 例如： 定义长度之内的元素改变，就破坏了原方案 4、S的定义长度 （Defining Length） 定义长度描述方案的紧凑性，用表示 ， 其值为第一个确定元素到最后一个确定元素的距离。 （一）重要特征：收敛性分析的基础 R为与方案S匹配的所有串的个数，xk为方案S中二进制串。 5、方案S的适应度 方案S中包含所有串的平均适应度。与方案S匹配的所有串的适应度的平均值。 （一）重要特征：收敛性分析的基础 第i 个二进制串xk被选中产生下一代的概率为 （二）收敛性分析 假设与适应度成正比 N为种群个体数。设方案S在当前代种群中有 个个体，方案S在下一代种群中有 个个体，根据个体选中产生下一代的概率