遗传算法2010.pptVIP

遗传算法 遗传算法（GA） 早在50年代，一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过程； 60年代中期，美国Michigan大学的J. H. Holland教授提出借鉴生物自然遗传的基本原理用于自然和人工系统的自适应行为研究和串编码技术； 1967年，他的学生J. D. Bagley在博士论文中首次提出“遗传算法(Genetic Algorithms)”一词； 1975年，Holland出版了著名的 “Adaptation in Natural and Artificial Systems”，标志遗传算法的诞生。 遗传算法（GA） 遗传算法是一种抽象于生物进化过程的基于自然选择和生物遗传机制的优化技术。 以达尔文的生物进化论“适者生存、优胜劣汰” 以孟德尔的遗传变异理论 模拟生物界进化过程。 遗传算法（GA） 达尔文的自然选择说 遗传（heredity）：子代和父代具有相同或相似的性状，保证物种的稳定性； 变异（variation）：子代与父代，子代不同个体之间总有差异，是生命多样性的根源； 生存斗争和适者生存：具有适应性变异的个体被保留，不具适应性变异的个体被淘汰。然选择过程是长期的、缓慢的、连续的过程。 遗传算法（GA） 遗传算法（GA） 孟德尔的遗传变异理论 生物遗传进化主要在染色体上，子代是父代遗传基因在染色体上的有序排列. 遗传算法（GA） 遗传算法的基本原理 遗传算法（GA） 遗传算法的基本原理 遗传算法（GA） 基本概念 ? 初始种群：原始个体的集合。? 编码：问题参数按某种形式编制的代码。? 染色体：编码后的串。也叫个体。? 基因：染色体编码中的位。? 适应度：个体适应环境的能力，常用适应度函数值表示，是区分群体中个体优劣的标准。? 遗传算子：产生新一代群体方法。有选择、交叉和变异。? 复制：通过遗传算子，选择适应值高的作为下一代。 遗传算法（GA） 遗传算法的基本思路 遗传算法（GA） 遗传算法的基本操作 选择 适应度计算： 按比例的适应度函数（proportional fitness assignment） 基于排序的适应度计算（Rank-based fitness assignment） 选择算法： 轮盘赌选择（roulette wheel selection） 随机遍历抽样（stochastic universal selection） 局部选择（local selection） 截断选择（truncation selection） 锦标赛选择（tournament selection） 遗传算法（GA） 遗传算法的基本操作 交叉或基因重组 二进制交叉（binary valued crossover）： 单点交叉（single-point crossover） 多点交叉（multiple-point crossover） 均匀交叉（uniform crossover） 洗牌交叉（shuffle crossover） 变异 实值变异 二进制变异 遗传算法（GA） 遗传算法（GA） 遗传算法（GA） 遗传算法（GA） 特点：具有大范围全局搜索的能力，潜在的并行性、随机性，鲁棒性强，过程简单。缺点是不能很好的利用系统反馈信息，冗余迭代多，影响求优化解效率。 遗传算法（GA） 遗传算法的基本操作 简单实例 产生初始种群 计算适应度 遗传算法（GA） 简单实例 选择 遗传算法（GA） 简单实例 选择 遗传算法（GA） 遗传算法（GA） 遗传算法（GA） 步骤1）编码：确定二进制的位数；组成个体（染色体） 步骤2）选择种群数P 和初始个体，计算适应度值， P = 20； * * Genetic Algorithm 丁建立 中国民航大学计算机学院 生物进化循环图 1 1 1 1 1 1 1 1 1 1 0 1 1 1 种群 # 位串 适应值 排序 1011011011 38.3 3 1100011100 43.7 2 0111010101 54.5 1 0110010010 34.6 4 交叉位 1100011100 0111010101 变异位 1100010101 0111011100 新后代 1100010101 0111001100 选择 交叉 变异 新后代 位交叉 随机选择一对个体的一个或多个位进行基因互换。以TSP为例，交叉操作如下图： R1={011001101110111100010110} R2={110011