现代数据挖掘技术与发展-大数据.pptVIP

遺傳演算法的實例--選擇運算 先計算出群體中所有個體的適應度的總和Σ fi 其次計算出每個個體的相對適應度的大小fj / Σ fi，它即為每個個體被遺傳到下一代群體中的概率; 每個概率值組成一個區域，全部概率值之和為1； 最後再產生一個0到1之間的隨機數，依據該隨機數出現在上述哪一個概率區域內來確定各個個體被選中的次數。 個體編號 初始群體P(0) x1 x2 適度 占總數的百分比 選擇次數 選擇結果 1 011101 3 5 34 0.24 1 011101 2 101011 5 3 34 0.24 1 111001 3 011100 3 4 25 0.17 0 101011 4 111001 7 1 50 0.35 2 111001 總和 143 1 1 遺傳演算法的實例--交叉運算 本例採用單點交叉的方法，其具體操作過程是： 先對群體進行隨機配對； 其次隨機設置交叉點位置； 最後再相互交換配對染色體之間的部分基因。 可以看出，其中新產生的個體“111101”，“111011”的適應度較原來兩個個體都有顯著提高。 個體編號 選擇結果 配對情況 交叉點位置 交叉結果 1 01 1101 1-2 3-4 1-2：2 3-4：4 011001 2 11 1001 111101 3 1010 11 101001 4 1110 01 111011 遺傳演算法的實例--變異運算 本例中，我們採用基本位變異的方法來進行變異運算，其具體操作過程是： 首先確定出各個個體的基因變異位置，下表所示為隨機產生的變異點位置，其中的數字表示變異點設置在該基因座處； 然後依照某一概率將變異點的原有基因值取反。 個體編號 交叉結果 變異點 變異結果 1 011001 4 011101 2 111101 5 111111 3 101001 2 111001 4 111011 6 111010 遺傳演算法的實例--選擇運算 對群體P(t)進行一輪選擇、交叉、變異運算之後可 得到新一代的群體P(t+1)。 從上表中可以看出，群體經過一代進化之後，其適應度的最大值、平均值都得到了明顯的改進。事實上，這裡已經找到了最佳個體“111111”。 PS. 表中有些欄的數據是隨機產生的。這裡為了更好地說明問題，特意選擇了一些較好的數值以便能夠得到較好的結果，而在實際運算過程中有可能需要一定的循環次數才能達到這個最優結果。 個體編號 群體P(1) x1 x2 適度 占總數的百分比 1 011101 3 5 34 0.14 2 111111 7 7 98 0.42 3 111001 7 1 50 0.21 4 111010 7 2 53 0.235 總和 235 1 遺傳演算法在適應度函數選擇不當的情況下有可能收斂於局部最優，而不能達到全域最優。 對於動態數據，用遺傳演算法求最優解比較困難，因為染色體種群很可能過早地收斂，而對以後變化了的數據不再產生變化。 為防止過早的收斂，研究者提出了一些方法增加基因的多樣性。其中一種是所謂觸發式超級突變，就是當染色體群體的質量下降（彼此的區別減少）時增加變異概率；另一種叫隨機外來染色體，是偶爾加入一些全新的隨機生成的染色體個體，從而增加染色體多樣性。 遺傳演算法的優缺點 選擇過程很重要，但交叉和變異的重要性存在爭議。一種觀點認為交叉比變異更重要，因為變異僅僅是保證不丟失某些可能的解；而另一種觀點則認為交叉過程的作用只不過是在種群中推廣變異過程所造成的更新，對於初期的種群來說，交叉幾乎等效於一個非常大的變異率，而這麼大的變異很可能影響進化過程。 遺傳演算法很快就能找到良好的解，即使是在很複雜的解空間中。 遺傳演算法並不一定總是最好的優化策略，優化問題要具體情況具體分析。所以在使用遺傳演算法的同時，也可以嘗試其他演算法，互相補充，甚至根本不用遺傳演算法。 遺傳演算法的優缺點 遺傳演算法不能解決那些“大海撈針”的問題，所謂“大海撈針”問題就是沒有一個確切的適應度函數表徵個體好壞的問題，遺傳演算法對這類問題無法找到收斂的路。 對於任何一個具體的優化問題，調節遺傳演算法的參數可能會有利於更好的更快的收斂，這些參數包括個體數目、交叉律和變異律。例如太大的變異律會導致丟失最優解，而過小的變異律會導致演算法過早的收斂於局部最優點。對於這些參數的選擇，現在還沒有實用的上下限。 適應度函數對於演算法的速度和效果也很重要。 遺傳演算法的優缺點 ibrary(mcga) ###定義適應度函數 f-function(x){ return ((x[1]-7)^2 + (x[2]-77)^2 +(x[3]-777)^2