遗传算法与网络进化.pptVIP

人工神经网络及应用 主讲 何东健 9.1 遗传算法的原理与特点 遗传算法GA(Genetic Algorithms)是一种新的基于优胜劣汰、自然选择、适者生存和基因遗传思想的优化算法，20世纪60年代产生于美国的密歇根大学。 David E.Goldberg教授1989年出版的《Genetic Algorithms》一书通常认为是对遗传算法的方法、理论及应用的全面系统的总结。 遗传算法已成为人们用来解决高度复杂问题的一个新思路和新方法。目前遗传算法已被广泛应用于许多实际问题，如函数优化、自动控制、图像识别、机器学习、人工神经网络、分子生物学、优化调度等许多领域中的问题。 9.1.1 基本原理 基于Darwin的进化论和Mendel的基因遗传学原理。 进化论认为每一物种在不断的发展过程中都是越来越适应环境。物种的每个个体的基本特征被后代所继承，但后代又不完全同于父代，这些新的变化若适应环境，则被保留下来。在某一环境中也是那些更能适应环境的个体特征能被保留下来，这就是适者生存的原理。 遗传学说认为遗传是作为一种指令码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质，每个基因产生的个体对环境有一定的适应性，基因杂交和基因突变可能产生对环境适应性更强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就被保存下来。 遗传算法将问题的求解表示成“染色体”(用编码表示字符串)。该算法从一群“染色体”串出发，将它们置于问题的“环境”中，根据适者生存的原则，从中选择出适应环境的“染色体”进行复制，通过交叉、变异两种基因操作产生出新一代的更适应环境的“染色体” 种群。随着算法的运行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体。这一过程就如生物进化那祥，好的特征被不断地继承下来，坏的特性被逐渐淘汰。新一代个体中包含着上一代个体的大量信息，并在总体特性上胜过旧的一代，从而使整个群体向前进化发展。对于遗传算法来说，就是不断接近最优解。 9.1.2 GA算法特点 常规的寻优方法主要有3种类型：解析法、枚举法和随机法。 解析法－只能局部极值、目标函数连续光滑； 枚举法－效率太低； 随机法－所得结果不是最优值。 遗传算法与其他寻优算法相比的主要特点： (1)GA是对参数的编码进行操作，而不是对参数本身； (2)GA是从许多初始点开始并行操作，而不是从一个点开始，可有效防止收敛于局部最优解，而且有较大的可能求得全局最优解； (3)GA通过目标函数来计算适应度，无需其他推导和附属信息,对问题的依赖性较小； (4) GA使用概率的转变规则，而非确定性规则； (5) GA在解空间内不是盲目地穷举或完全随机测试，而是启发式搜索，其搜索效率优于其他方法； (6) GA对于待寻优的函数基本无限制，不要求函数连续和可微； 可为显函数、映射矩阵、神经网络等隐函数，应用范围广； (7) GA更适合大规模复杂问题的优化。 9.2 遗传算法的基本操作与模式理论 9.2.1 遗传算法的基本操作 设寻找f(x)=x2当x在0～31间取整数值时函数的最大值。枚举法是将x取尽所有可能值，观察是否得到最高的目标函数值。该方法可靠，但效率很低。下面运用遗传算法来求解这个问题。 遗传算法的第一步是先进行必要的准备工作，包括“染色体’’串的编码和初始种群的产生。首先要将x编码为有限长度的“染色体”串。编码方法很多，这里用二进制编码方法。 二进制编码：针x的定义域，用5位二进制。如01010对应x=10，11111对应x=31。其他优化方法对多峰值问题易陷入局部极值。而遗传算法是从一个种群(若干个染色体串，每串对应一个自变量值)开始，不断地产生和测试新一代的种群。该方法从开始便扩大了搜索的范围，可望较快完成问题求解。 初始种群是随机产生的。本例设种群大小为4，即有4个个体，则需按位随机生成4个5位二进制串。可通过掷硬币的方法来生成随机的二进制串。若用计算机，可考虑首先产生0～1之间均匀分布的随机数，然后规定产生的随机数在0～0.5之间代表0，0.5～1之间的随机数代表1。若用上述方法，随机生成如下4个串：01101、11000、01000、10011。 该4个染色体串构成一个种群。 遗传算法的3个基本操作步骤 1．选择 选择(Selection)亦称再生(Reproduction)或复制(Copy)，选择过程是个体串按照它们的适应度进行复制。本例目标函数值可作适应度。直观地看，可