遗传算法-4-改进研究报告.pptVIP

人工智能及其应用 人工智能及其应用 遗传算法存在的问题 开始时进化速度很快，甚至以指数级进化速度朝着最优解方向前进，但不久以后，进化速度就会变慢，临近全局最优解时则可能是几百代、上千代才向目标逼近一小步，有时甚至停滞不前，出现早熟收敛。 人工智能及其应用 * 6.4 改进的遗传算法 基于基因疗法的遗传算法 微种群算法 双种群算法 自适应遗传算法 人类的进化与基因疗法 ?人类的进化 普通生物的进化特征：对于生理缺陷和疾病，采用被动的“听天由命”的方式，导致进化比较缓慢，出现退化、甚至灭绝的现象。 人类的进化特征：医疗技术特别是基因疗法对人类的进化有一种修复、校正、甚至改造的作用，使得人类的进化呈现一种加速向上的趋势。 　?基因疗法 基因治疗的方法有两种情况，一种是消除、修饰“坏”的致病基因；另一种是注入或增强“好”的基因。 按照中医的医疗理论，治疗方法包括“补”、“泻”两大法则，“补”是给人体补充“营养物质”，以培元固本，而“泻”则是为了清除体内的“有害物质”，以去除病邪。 结合中医的治疗理论，基因疗法中常用的基因操作方法可以归纳为“补” 和“泻”，“补”就是根据基因库将优质基因置入到生物的染色体中，“泻”就是根据基因库去掉生物染色体中的劣质基因。 一种基于基因疗法的遗传算法 通过模拟医疗系统特别是基因疗法对人类进化的修复、校正和加速作用，本章将基因疗法中的基因库思想、以及“补”和“泻”两种基因操作方法引入到标准遗传算法中，提出了基于基因疗法的遗传算法(GTGA)。 GTGA有关概念 有关的概念定义为： 1基因库：由优质基因、劣质基因组成的基因或染色体片断或它们的特征信息组成的集合，由先验知识或后验知识建立和更新。 2优质基因：以较高概率包含在全局最优个体中的基因或染色体片断。 3劣质基因：以较高概率不可能包含在全局最优个体中的基因或染色体片断。 4先验知识：在种群进化之前从领域知识、专家经验获取的关于待解决问题的特征、优质和劣质个体、搜索空间的有希望区域和不可行区域的信息。 5后验知识：在种群进化过程中获取的关于待解决问题的特征、优质和劣质个体、搜索空间的有希望区域和不可行区域的信息。 6治疗算子：由“补”和“泻”操作组成的算子。 7“补”操作：以一定概率用优质基因替换染色体普遍基因的操作。 8“泻”操作：以一定概率用普遍基因替换染色体劣质基因的操作。 在GTGA中采用的选择算子是带有精英策略的模拟退火选择， Traveling Salesman Problem TSP问题 TSP问题概述； TSP问题的价值； 求解TSP问题的算法。 TSP问题概述 1932年由K.Menger提出，其描述为:一推销员要到若干城市推销货物，从城市1出发，经过其余各城市一次且仅仅一次，然后回到出发点，求其最短行程 特点：描述简单，求解困难，是典型的NP难问题；TSP 问题随着问题规模的扩大会产生所谓“组合爆炸”的现象, 比如对于n 个城市的对称TSP 问题,将会有( n - 1) ! / 2 个可能的路径。如果n 等于64 ,总的路径数将超过1088 ,而整个宇宙的基本粒子数估计也仅仅只有1087 个。 治疗算子的构造示例 优质基因：一个城市和其最近城市相连的路径可以成为TSP的优质基因。 劣质基因：交叉边的存在可以作为劣质基因的一个特征 “补”操作示例 “泻”操作示例 仿真实验之一 治疗效果示意 eil75.tsp的一个个体治疗前后的对比图 长度：2745.8 -583.46 仿真实验之二 与标准遗传算法的测试对比 仿真实验之三 与免疫遗传算法的对比测试 IGA和GTGA 求解Grotschel’s 442－city时的进化过程曲线图(3900-192; 5154.1-5076.75) 人工智能及其应用 * 微种群算法 算法步骤: (1) 在群体中随机选择n个个体组成微群体。 (2) 计算适应度并确定最好的个体，直接遗传到下一代，保证优良的模式信息不致丢失。 (3) 按照联赛选择策略确定其余个体。 (4) 以概率1进行交叉运算，以加速产生确定位高的模式。这样处理之后可以保证有足够多的种类。 (5) 检验收敛条件，如果收敛则转(1)；否则转至(2)。 在进化的过程中以合理的间隔，通过“启动-再启动”过程，不断地引入恒定数目的新群体，寻求好个体，这样既可避免早熟，又有较快的收敛速度。 人工智能及其应用 * 双种群算法 基本思想: 用两个群体分工协作解决多模态函数寻优时的矛盾。 (1)全局种群，用于寻找可能存在最优解的区域； (2)局部种群，用于搜索全局种群划分的区域，找到 该区域中