(精选)遗传算法课件.ppt

遗传算法; 前 言;; 笫一章 生物的遗传与进化;; 沃森 DNA的天才，美国生物学家，与克里克博士一起发现了DNA的双螺旋结构。１９６２年获得诺贝尔生理学和医学奖。;;（２）基因（gene）; 以性染色体里的基因为例，见图１—５; ;二、生物的进化;（２）进化的基本过程;三、生物遗传与进化对组合 优化问题的启发 ;(2) 遗传算法的基本思想; 第二章　遗传算法; (b) 杂交 。随机选出个体对, 进行片段交叉换位 ,产生新 个体对； (c) 变异。随机地改变某个体的某个字符,而得到新个体。 步骤４　根据某种条件判断计算过程是否可以结束,如果不满足结束条件,则返回到步骤２,直到满足结束条件为止。 在后面的几段里,将根据遗传算法的步骤, 介绍执行中的某 些细节。 （１）编码与初始群体 将优化问题可行域内的试探解(可行解)设计成字符串(视为染色体)的工作称为 编码(encoding)。字符串每个位置上的元素代表基因，每个基因记录了解中某个分量的遗传信息。 编码的形式分三种：当优化问题的变元(单变量或多变量)取值是实数时，采用实数编码 (即字符串的每个位置上都取实数 )，这是一种最常用的编码形式。如果优化问题是单变量且变元的取值是整数时,或者当变元是开关型的多变元(指变元的; 状态只取两种情况)时，则采用0/1二进制编码。这种编码形式虽然简单但对于实变量(特别是多实变元)的问题，二进制编码会限制解的精度和搜索空间，而编码太长又会导致计算量太大, 因此二进制编码在工程计算中应用并不广。如果是符号型变元 (指变元的状态只是一些事物名称, 如职业变元的状态是由公务员、教师、医生、工人等组成 )，一般采用整数编码，即字符串的每个位置上用整数序号１，２，…，k；k２。以后我们将在附录中作一介绍。现以实数编码为例，详细说明如下： 设有最小化问题 min f(X) (2-1) a(j)≤x(j)??b(j) 式中，X=(x(1),…,x(p)) 为优化变量向量，[a(j),b(j)] 为x(j)的变化区间，f 为目标函数(假设其值为非负)。这里采用实数编码，即利用如下线性变换 x(j)=a(j)+r(j)( b(j)-a(j) ), (j=1,2,…,p) (2-2) ; 把初始变化区间[a(j),b(j)]中的第个优化变量x(j)对应到[0,1]区间上的实数 r(j)=0.I(j,1) I(j,2) …I(j,m)。在GA中称r(j)为 基因，而 I(j,k) ( k=1,2,…m ) 取０～９中任一个整数, 它相当于生物学中的 碱基。把个优化变量对应的基因串 ( r(1),r(2),…,r(p) ) 即 ( 0.I(1,1)…I(1,m), 0.I(2,1)…I(2,m), …, 0.I(p,1)…I(p,m) ) 称作 染色体，或个体。 经过编码，所有优化变量 x(j) 的取值范围都统一为[0,1]，这样，遗传算法只对个体 (染色体) 施行各种遗传操作，而不是对优化变量 x(j) 本身，从而简化了计算。 当编码方式被确定后，遗传算法要求先选择一组初始群体(设群体规模为 n, 规模越大，越容易搜索到全局最优解），即生成 n 组[0, 1]区间上的均匀随机数, 每组 p 个，即｛r(i,j)｜j=1,2,…,p; i=1,2,…,n｝, 可以排成一个 n×p 矩阵 r(1,1) r(1,2) … r(1,p) … … …