专题讲座-遗传算法原理与实际应用.pptVIP

遗传算法原理与应用;报告提纲;一、遗传算法概述;1、智能优化算法 ;常用的智能优化算法 ;智能优化算法的特点;遗传算法起源 ;遗传算法的搜索机制 ;基本遗传算法的组成 ; 编码 ;函数优化示例 ;SGA对于本例的编码 ;几个术语 ;初始种群 ; 适应度函数 ;选择算子;轮盘赌选择方法;轮盘赌选择方法的实现步骤;交叉算子 ;单点交叉运算 ;变异算子 ;基本位变异算子 ;基本位变异算子的执行过程 ;运行参数 ;SGA的框图 ;[分析] 原问题可转化为在区间［0, 31］中搜索能使 y 取最大值的点 a 的问题。 个体：［0, 31］ 中的任意点x适应度：函数值f(x)=x2?解空间：区间［0, 31］ 这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。;(1)?设定种群规模,编码染色体，产生初始种群。 将种群规模设定为4；用5位二进制数编码染色体；取下列个体组成初始种群S1 s1= 13 (01101),? s2= 24 (11000)s3= 8 (01000),??? s4= 19 (10011）;(2) 定义适应度函数, 取适应度函数 f (x)=x^2;(3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,直到适应度最高的个体，即31（11111）出现为止。 首先计算种群S1中各个体：s1= 13(01101),??? s2= 24(11000)s3= 8(01000),????? s4= 19(10011)的适应度f (si), 容易求得：f (s1) = f(13) = 13^2 = 169f (s2) = f(24) = 24^2 = 576f (s3) = f(8) = 8^2 = 64f (s4) = f(19) = 19^2 = 361;再计算种群S1中各个体的选择概率： 由此可求得P(s1) = P(13) = 0.14P(s2) = P(24) = 0.49P(s3) = P(8) = 0.06P(s4) = P(19) = 0.31 再计算种群S1中各个体的积累概率 ? ;交叉 设交叉率pc=100%，即S1中的全体染色体都参加交叉运算。 设s1’与s2’配对，s3’与s4’配对。s1’ =11000（24）,? s2’ =01101（13）s3’ =11000（24）,? s4’ =10011（19）分别交换后两位基因，得新染色体：s1’’=11001（25）,? s2’’=01100（12）s3’’=11011（27）,? s4’’=10000（16）;变异?? 设变异率pm=0.001。这样，群体S1中共有5×4×0.001=0.02位基因可以变异。0.02位显然不足1位，所以本轮遗传操作不做变异。 于是，得到第二代种群S2：s1=11001（25）,?? s2=01100（12）s3=11011（27）,?? s4=10000（16）;3、遗传算法的特点 ;二、遗传算法原理;1、遗传算法的数学基础;模式;两个定义;模式的阶和定义距的含义;模式定理;模式定理;积木块假设 ;2、遗传算法的收敛性分析;种群规模对收敛性的影响;选择操作对收敛性的影响;交叉概率对收敛性的影响;变异概率对收敛性的影响;遗传算法的本质 ;3、遗传算法的改进;遗传算法的改进途径;对编码方式的改进;对遗传算子 的改进;对遗传算子 的改进;对遗传算子 的改进;对控制参数的改进;对控制参数的改进;对执行策略的改进;三、遗传算法的应用;1、遗传算法的应用领域;遗传算法应用于组合优化;2、遗传算法的应用示例;谢谢大家! QA