ch6 遗传算法理论与应用(改)演示教学.ppt

第6章 遗传算法理论与应用;6.1 遗传算法概述 6.1.1 生物进化 ? 生物进化就是指生物种群多样性和适应性的变化，一个群体在长期遗传组成上的进步性发展、转化和退化的变化。 ? 1859年达尔文发表《物种起源》一书，提出自然选择学说，创立了科学的进化理论，揭示了生物发展的历史规律。他认为，生物之间存在着生存斗争，适应者生存下来，不适者则被淘汰，这就是自然的选择。生物正是通过遗传、变异和自然选择，从低级到高级，从简单到复杂，种类由少到多地进化着、发展着。 ;(1) DNA结构;① 基因突变 可遗传的变异是生物进化的原始材料，可遗传的变异主要来自基因突变、染色体变异和基因重组，在生物进化理论中，常将基因突变和染色体变异统称为突变。 ? 基因突变 是指DNA分子结构的改变，即基因内部脱氧核苷酸的排列顺序发生改变。突变发生的条件可分为自然突变和诱发突变两类。不管在什么样的条件下发生突变，都是随机的，没有方向性。;② 基因重组 基因重组是指染色体间基因的交换和组合。是由于减数分裂过程中，同一个核内染色体复制后发生重组和互换，结果就产生了大量与亲本不同的基因组合的配子类型。 ;6.1.2 生物模拟计算 (1) DNA计算 ? 1994 年，美国加利福尼亚大学的Adleman博士第一次利用现代分子生物技术提出了哈密尔顿有向路问题(Hamilton Path Problem) 的DNA 分子生物计算方法，并成功地在DNA 溶液的试管中进行了实验，在国际上引起了巨大的反响。这一成果表明了采用DNA 进行特定目的计算的可行性，它的新颖性不仅仅在于算法，也不仅仅在于速度，而在于采用迄今为止还没有作为计算机硬件的生物工业技术来实现。 ; (2) 进化计算（Evolutionary Computation） 进化计算是一种源自于达尔文进化论思想的仿生优化方法。典型的算法主要有：遗传算法、进化规划、进化策略和差分进化等。 ;② 进化规划（Evolutionary Programming, EP） 由美国的Fogel，Owens和Walsh提出，后由Fogel进行了完善。 ③ 进化策略（Evolutionary Strategies, ES） 由德国的Rechenberg和Sehwefel建立的。 ④ 差分进化（Differential Evolution, DE ） 也称为微分进化是由Rainer Storn和Kenneth Price于1996年共同提???的一种采用浮点矢量编码在连续空间中进行随机搜索的优化算法。DE通过种群内个体间的合作与竞争来实现对优化问题的求解，其本质是一种基于实数编码的具有保优思想的贪婪遗传算法。 ;(2) 遗传算法的产生与发展 GA自产生至今已有三十多年时间，其研究发展过程大致可分为以下三个阶段。 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进化论“适者生存”的启发，首次提出了“遗传算法”这一概念。 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。1985年成立了国际遗传学会，标志GA进入了现代发展阶段。 ;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。 ③ 20世纪90年代的兴盛阶段1991年，L. D. Davis出版了《遗传算法手册》，其中包含大量的应用实例。在这一时期，GA作为一种实用、高效、鲁棒性强的优化技术，得到了迅速发展，在机器学习、模式识别、控制系统优化和社会科学等领域得到了广泛应用，掀起了人工生命、遗传编程、进化计算等热们研究，与计算机科学相结合，产生了生物信息技术前沿研究技术。;6.1.4 遗传算法应用领域 (1) 函数优化 函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。对于一些非线性、多目标的函数优化问题，用其他优化方法较难求解，而遗传算法却可以方便地得到较好的结果。 (2) 组合优化 随着问题规模的增大，组合优化问题的搜索空间也急剧扩大，有时在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这类复杂问题，人们已意识到应把主要精力放在寻求其满意解上，而GA是寻求这种满意解的最佳工具之一。实践证明，GA已经在求解旅行商问题、背包问题、装箱问题等各种具有NP难度的问题得到成功的应用。;(3) 生产调度 目前，在现实生产中主要是靠一些经验来进行调度。现在GA已成为解决复杂调度问题的有效工具，在单件生产车间调度、