遗传算法9研究报告.pptVIP

变异操作步骤是： ? 根据Pm确定要变异的个体； ? 选择一个个体，随机地选择一个变异基因； ? 若为二进制编码，将变异位上0换为1或1换为0。若是实值编码，将变异位换为一个随机数。 ? 重复上述步骤，直到所有要变异的个体完成变异。 终止条件 终止条件是指決定何时终止遗传算法，并以运算过程中所获最佳解作为此次运算之解，一般而言，遗传算法之终止条件有以下几种： （1）已达最大的演化代数。 （2）所求之解已达可接受之范围。 （3）连续几代间的最佳解变化非常微小或无改变。 （4）已达最大的运算时间。 （5） 设定算法达到迭代次数即停止。 （6） 当符合设定范围时，运算即停止。这种方法的条件不可超国最优解，否則运算便永远无法停止。 遗传算法 Genetic Algorithm 丁建立 中国民航大学计算机学院 主要内容： 1 形成与发展 2 基本原理 2.1 基本概念 2.2 编码 2.3 适应度函数 2.4 遗传算子 2.5 遗传学习算法 3 研究方向 4 应用实例 一、 遗传算法的形成与发展 遗传算法（Genetic Algorithm, GA）是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术。GA自产生至今已有二十多年时间，其研究发展过程大致可分为以下三个阶段： 遗传算法 1、20世纪70年代的兴起阶段 1975年，美国Michigan大学J. Holland等人在从事如何建立能学习的机器的研究中受到达尔文的生物进化论“适者生存、优胜劣汰”和孟德尔的遗传变异理论“生物遗传进化主要在染色体上，子代是父代遗传基因在染色体上的有序排列”的启发，首次提出了“遗传算法”这一概念。 生物进化循环图 性别染色体竞争 2、20世纪80年代的发展阶段 1980年，Smith教授首次将遗传算法应用于机器学习领域，并研制出了一种称作分类器的系统。 1989年，Goldberg出版了《遗传算法在搜索优化和机器学习中的应用》一书，该书对遗传算法的原理及应用作了比较详细和全面的论述。此后，许多学者对原来的算法作了大量的改进和发展，使遗传算法应用于更广泛的领域。 二、 遗传算法的基本原理 基本概念 ? 初始种群：原始个体的集合。 ? 编码：问题参数按某种形式编制的代码。 ? 染色体：编码后的串。也叫个体。 ? 基因：染色体编码中的位。 ? 适应度：个体适应环境的能力，常用适应度函数值 表示，是区分群体中个体优劣的标准。 ? 遗传算子：产生新一代群体的方法。有选择、交叉 和变异。 ? 复制：通过遗传算子，选择适应值高的染色体作为 下一代。 遗传算法的基本原理 图1 简单遗传算法进化过程示例 种群 # 位串 适应值 排序 1011011011 38.3 3 1100011100 43.7 2 0111010101 54.5 1 0110010010 34.6 4 交叉位 1100011100 0111010101 变异位 1100010101 0111011100 新后代 1100010101 0111001100 选择 交叉 变异 新后代 2.1 初始种群 初始种群为初始解所成的集合，即为第一代染色体，亦可称为初始种群。一般初始种群产生的方式有两种：  （1）经由随机产生。 （2）根据以往对此问题之经验法则，自行设计初始值。 2.2 编码? 二进制编码 编码是从实际问题中提取出决策参数并按某种形式组合成位串的过程，编码是GA应用的主要任务。使用二进制编码分为编码和解码两个过程，首先是将问题参数转换为二进制代码，算法结束后，再将其解码为相应的参数。二进制形式编码的个体表示为：I={0, 1}L，L是个体的长度。 例1：TSP问题 在TSP问题中，如果有8个城市，代号分别为1至8，则路径可表示为：R={City-No | City-No不重复}N，N=8，其中的一条路径为：3→1→5→7→8→4→2→6，转换为二进制编码为：R1={011001101110111100010110} 例2：规则归纳 规则归纳是GA在机器学