遗传算法的提出.ppt

遗传算法的提出、理论及应用 遗传算法简介 基本遗传算法 遗传算法的理论基础 遗传算法的改进 遗传算法的应用 遗传算法简介 1.1. 遗传算法的提出 1.2. 遗传算法的基本思想 1.3. 遗传算法的基本操作 1.4. 遗传算法的应用情况 1.1. 遗传算法的提出 1.1.1. 遗传算法(Genetic Algorithm, GA)1975年由Michigan大学的John Holand教授与其同事、学生一起首先提出。模拟生物进化的机制来构造人工的模型。已形成较完整的理论体系。 1.1.2. 进化策略（Evolutionary Strategy, ES)于60年代由柏林工业大学的I. Rechenberg和H.P. Schwefel等人引入。 1.1.3. 进化规划（Evolutionary Programming, EP)在60年代由L.J. Fogel 等人提出。 1.1.4. 进化计算（Evolutionary Computation)是指包含如下算法的一个“算法组”：遗传算法(GA)、进化策略(GS)、进化规划(GP)和遗传程序设计（Genetic Programming, GP)。 1.1.5. 计算智能(Computational Intelligence, CI)是一个新的研究方向，它包括：进化计算、人工神经网络（Artificial Neural Network)和模糊系统理论。 1.2. 遗传算法的基本思想 1.2.1. 遗传算法的基本思想源于达尔文的自然选择（natural selection）、优胜劣汰：遗传、变异和生存斗争。 1.2.2. 遗传算法的基本思想是基于种群（population)优化的, 包括：先择、重组交叉、变异。进化成最优种群。以下是生物学的几个概念： 染色体(chromosome)： 遗传物质的主要载体，由多个遗传因子----基因组成。 遗传因子(gene)： 也称基因。是在DNA或RNA长链结构中占有一定位置的基本遗传单位。 基因座(locus)：遗传基因（gene)在染色体中所占据的位置。 个体(individual)：指染色体带有特征的实体。 适应度(fitness)：度量某个物种对于生存环境的适应程度。 选择(selection)：以一定的概率从种群中选择若干个个体的操作。 复制(reproduction)：一个个体分裂成两个个体，其遗传物质不变。 交叉(crossover)：有性生殖生物在繁殖下一代时两个同源染色体之间通过交叉而重组。 变异(mutation)：细胞进行复制时可以很小的概率产生某些复制差错，从而使DNA发生某种变异。 1.2.3. 遗传算法的特点： （1）自组织、自适应和自学习（智能性）； （2）遗传算法的本质并行性； （3）遗传算法不需要求导或其他辅助知识，而指需要影响搜索方向的目标函数和相应的适应度函数。 1.3. 遗传算法的基本操作 1.3.1. 选择(selection) 1.3.2. 交叉或基因重组（crossover/recombination) 1.3.3. 变异（mutation） 1.4. 遗传算法的应用情况 1.4.1. 函数优化 1.4.2. 组和优化 1.4.3. 自动控制。 1.4.4. 机器人智能控制 1.4.5. 图像处理和模式识别 1.4.6. 人工生命 1.4.7. 遗传程序设计 1.4.8. 机器学习 2. 基本遗传算法 2.1. 函数优化的实例 2.2. 基因和编码 2.3. 适应度函数及其尺度变换 2.4. 遗传操作 2.1. 函数优化实例 2.1.1. 下列一元函数求最大值的优化问题： 2.1.2. 编码：从表现型到基因型 二进制串： 2.1.3. 产生初始种群：随即产生串长为22的二进制串组成染色体的基因码。 2.1.4. 计算适应度函数： 2.1.5. 选择：轮盘赌方法。 2.1.6. 交叉：随机选取交叉点，单点。并按事先选定的小概率 进行交叉。 2.1.7. 随机选择变异位，并按事先选定的小概率 进行变异。获得下一代。 2.1.8. 检查终止函数是否满足，结束进化。 2.2. 基因和编码 2.2.1. 浮点数编码： 设种群个数为n， 表示第t代第i 个个体。 每个个体的基因位数L=m，由m个实体构成，个体 ， 可以表示m为向量，即 可构成一实矩阵 2.2.2. 二进制编码 设种群个数为n， 表示第t代第i 个个体。 每个个体重的每一位分量均用l维二进制表示。 2.3. 适应度函数及其尺度变换 2.3.1. 适应度函数(fitness function)是由目标函数变换而成的：包括最大化问题和最小化问题等。 2.3