遗传算法讲解及实际应用.pptxVIP

,,遗传算法,,(Genetic Algorithms, GA王闪22016070666Holland 遗传算法的思考起源： 假设某个物种有 1000 个基因（与海藻基因数相当），每个基因含两种信息，自然选择要经过多少次尝试才能发现使海藻发展到最强壮的那组基因搭配呢？如果基因之间有关联，那是2000次，如果基因之间无关联，那尝试2的1000次方次，所花时间是宇宙大爆炸到现在的好多倍还不止。 Holland想知道的是，进化是怎样于无穷无尽的可能性的探索中找到有用的基因组合，而不需要搜遍整个领域。 直觉告诉Holland，某些基因组之间能够很好地相互作用，形成统一而自我强化的整体。基本概念遗传算法(Genetic Algorithms, GA)是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。它模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。遗传算法的基本思想基于达尔文进化论中的适者生存、优胜劣汰的基本原理，按生物学的方法将问题的求解表示成种群中的个体（用计算机编程时，一般使用二进制码串表示），从而构造出一群包括 N 个可行解的种群，将它们置于问题的环境中，根据适者生存原则，对该种群按照遗传学的基本操作，不断优化生成新的种群，这样一代代地不断进化，最后收敛到一个最适应环境的最优个体上，求得问题的最优解。 运算流程遗传算法的有趣应用解决数值优化、组合优化、机器学习、智能控制、人工生命、图像处理、模式识别等领域的问题。比较具体多是：函数最值问题、旅行商问题、背包问题、车辆路径问题、生产调度问题、选址问题等。极大值、最大值、局部最优解、全局最优解袋鼠跳问题的提出与解决方案已知一元函数：现在要求在既定的区间内找出函数的最大值?（把 函数曲线理解成一个一个山峰和山谷组成的山脉。） 2. 模拟退火算法： 这个方法来自金属热加工过程的启发。在金属热加工过程中，当金属的温度超过它的熔点（Melting Point）时，原子就会激烈地随机运动。与所有的其它的物理系统相类似，原子的这种运动趋向于寻找其能量的极小状态。在这个能量的变迁过程中，开始时。温度非常高， 使得原子具有很高的能量。随着温度不断降低，金属逐渐冷却，金属中的原子的能量就越来越小，最后达到所有可能的最低点。利用模拟退火的时候，让算法从较大的跳跃开始，直到它有足够的“能量”逃离可能“路过”的局部最优解而不至于限制在其中，当它停在全局最优解附近的时候，逐渐的减小跳跃量，以便使其“落脚 ”到全局最优解上。3. 遗传算法： 模拟物竞天择的生物进化过程，通过维护一个潜在解的群体执行了多方向的搜索，并支持这些方向上的信息构成和交换。以面为单位的搜索，比以点为单位的搜索，更能发现全局最优解。（在遗传算法中，有很多袋鼠，它们降落到喜玛拉雅山脉的任意地方。这些袋鼠并不知道它们的任务是寻找珠穆朗玛峰。但每过几年，就在一些海拔高度较低的地方射杀一些袋鼠，并希望存活下来的袋鼠是多产的，在它们所处的地方生儿育女。下面主要介绍介绍遗传算法实现的过程。?物竞天择－适应性评分与及选择函数。1.物竞―适应度函数（fitness function） 自然界生物竞争过程往往包含两个方面：生物相互间的搏斗与及生物与客观环境的搏斗过程。但在我们这个实例里面，你可以想象到，袋鼠相互之间是非常友好的，它们并不需要互相搏斗以争取生存的权利。它们的生死存亡更多是取决于你的判断。因为你要衡量哪只袋鼠该杀，哪只袋鼠不该杀，所以你必须制定一个衡量的标准。而对于这个问题，这个衡量的标准比较容易制定：袋鼠所在的海拔高度。（因为你单纯地希望袋鼠爬得越高越好。）所以我们直接用袋鼠的海拔高度作为它们的适应性评分。即适应度函数直接返回函数值就行了。 物竞天择－适应性评分与及选择函数2.天择――选择函数（selection） 自然界中，越适应的个体就越有可能繁殖后代。但是也不能说适应度越高的就肯定后代越多，只能是从概率上来说更多。（毕竟有些所处海拔高度较低的袋鼠很幸运，逃过了你的眼睛。）那么我们怎么来建立这种概率关系呢？下面我们介绍一种常用的选择方法――轮盘赌（Roulette Wheel Selection）选择法。轮盘赌 轮盘赌（Roulette Wheel Selection）选择法。假设种群数目N,某个个体其适应度为f,则其被选中的概率为比如我们有5条染色体，他们所对应的适应度评分分别为：5，7，10，13，15。 所以累计总适应度为：所以各个个体被选中的概率分别为：遗传算法的实现过程1.建立表现型和基因型的映射关系，评估每条染色体所对应个体的适应度。2