遗传算法(精讲)知识讲稿.ppt

遗传算法;一、遗传算法概述（1）;基本思想 使用模拟生物和人类进化的方法求解复杂的优化问题，因而也称为模拟进化优化算法。将择优与随机信息交换结合在一起。在每一代中，使用上一代中最好的，即最适应环境的位或片段，形成新的人工生物集。;应用领域 早期应用研究主要围绕组合优化问题以及复杂的函数优化问题求解，以后它的研究应用迅速扩大，遍及科学、工程、商业等领域： NP完全问题 神经网络权值 机器学习 并行处理 知识发现;二、遗传算法中的基本概念（1）;用遗传算法求解问题时，必须在目标问题实际表示与遗传算法染色体结构之间建立联系，即确定编码和解码运算。 霍兰德提出的遗传算法采用二进制编码来表现个体的遗传基因型，它使用的编码符号0和1组成，因此实际的遗传基因型是一个二进制符号串。;1、二进制编码 在二进制编码中，首先要确定二进制字符串的长度l ，串长l取决于变量的定义域及计算所需的精度。 例:变量x的定义域[-2,5],要求其精度为10-6,则需要将[-2,5]分成至少7000000个等长小区域,而每个小区域用一个二进制表示。于是串长至少等于23。 4194304=2227000000223=8388608 这样，计算中的任何一个二进制串(b22b21…b0)都对应[-2，5]中的一个点。;遗传算法将问题空间表示为染色体位串空间，为了执行适者生存的原则，必须对个体位串的适应性进行评价。 适应值函数构成了个体的生存环境。 根据个体适应值可以决定它在此环境下的生存能力。 一般来说，好的染色体位串结构具有比较高的适应值，即可以取得较高的评价，具有较强的生存能力。;由于适应值是群体中个体生存机会选择的唯一确定性指标，所以适应值函数的形式直接决定着群体的优化。 根据实际问题的经济含义，适应值可以是销售收入、利润、生产占有率或机器的可靠性。 为了能够直接将适应值函数与群体中个体的优劣度量相联系，在遗传算法中适应值规定为非负，并且在任何情况下总是希望越大越好。;若SL表示位串空间,SL上的适应值函数可表示为: f:SL?R+ 其中f为实值函数,R+表示非负实数集合。 对于给定的优化问题opt g(x) (x∈[u,v])目标函数有??有负。甚至可能是复数。所以必须通过建立适应值函数与目标函数的映射关系，保证映射后的适应值是非负的，而且目标函数的优化方向应对应于适应值增大的方向。;五、适应值函数（4）;六、遗传操作（1）;六、遗传操作（2）;六、遗传操作（3）;六、遗传操作（4）;六、遗传操作（5）;六、遗传操作（6）;六、遗传操作（7）;六、遗传操作（8）;六、遗传操作（9）;六、遗传操作（10）;六、遗传操作（11）;六、遗传操作（12）;六、遗传操作（13）;七、初始化种群（1）;七、初始化种群（2）;八、控制参数的选取（1）;八、控制参数的选取（2）;八、控制参数的选取（3）;九、算法的终止准则;十、遗传算法简例（1）;十、遗传算法简例（2）;十、遗传算法简例（3）;十、遗传算法简例（4）;十、遗传算法简例（5）;十、遗传算法简例（6）;十、遗传算法简例（7）;十、遗传算法简例（8）;十一、遗传算法的应用领域（1）;十一、遗传算法的应用领域（2）;