遗传算法原理与 及应用课件.ppt

;;一、生物学知识点;1.2 遗传学基本概念与术语 染色体（chromosome）：遗传物质的载体； 脱氧核糖核酸（DNA）：大分子有机聚合物，双螺旋结构； 遗传因子（gene）：DNA或RNA（核糖核酸）长链结构中占有一定位置的基本遗传单位； 基因型（genotype）：遗传因子组合的模型； 表现型（phenotype）：由染色体决定性状的外部表现； ;个体（individual）：指染色体带有特征的实体； 种群（population）：生活在一定区域的同种生物的全部个体； 进化（evolution）：生物在其延续生存的过程中，逐渐适应其生存环境，使得其品质不断得到改良，这种生命现象称为进化； 适应度（fitness）：度量某个物种对于生存环境的适应程度。对生存环境适应程度较高的物种将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖机会就会相对较少，甚至逐渐灭绝; ;遗传算法的发展 ;2.2 遗传算法的基本思想;2.3 遗传算法的本质;2.4 遗传算法的操作;1、SGA的基本流程框图;2、基本遗传算法的组成 ;（1）编 码 ; SGA二进制编码 染色体表示为：X=(x1,x2,…xn),1≤i ≤n 染色体的每一位，即xi是一个基因。每位的取值 称为位值。n为染色体的长度。如：X=（0010010）表示一个染色体，长度为 。 适用于三种情况：背包问题、实优化问题、指派问题。 缺点：编码长不利于计算。 优点：便于位值计算，包括的实数范围大。;有关术语 ;（2）产生初始种群;（3）适值函数 ;（4）遗传算子;1）选择算子;2）交叉算子 ;单点交叉运算 ;3）突变算子 ;基本位突变算子： ;基本位突变算子的执行过程 ;(5)选择策略 ;(5)选择策略 ;旋轮法;(6)停止准则;2.5 遗传算法的特点 ;三、遗传算法原理;两个定义;二者的含义; 模板理论常识： n 位编码的总长度为n-1。 阶数为 的模板，模板S中的个体总数为 。 对于一个n位的二进制表达，染色体长度为n，有 模板数个体数 即 分类方法数个体总数 因为模板中每一位的取值可以为0,1或者*，所以模板总数为 ，而个体中每一位只能取0或者1，所以个体总数为 。; 模板定理：具有低阶、短定义距以及平均适应度高于种群平均适应度的模板??子代中呈指数增长。 引理3.2.1：在正比选择下，模板 在第 代的期望个体数为 其中， 是第 代模板中所有个体的适应值均值与种群中所有个体适应值均值的比。 是第 代属于 模板的个体数。;模板定理:;模板定理:;模板定理:;3.3 遗传算法的收敛性分析;1、种群规模对收敛性的影响;2、选择操作对收敛性的影响;3、交叉概率对收敛性的影响;4、突变概率对收敛性的影响;3.4 遗传算法的改进;遗传算法的改进途径;（1）对编码方式的改进; 对于遗传运算中的问题有两种应对策略： 1）拒绝 2）修复 使用拒绝策略，需要在遗传操作中出现不合法编码的比例很小。如果使用修复策略，可能使后代部分丢失父代基因。 ;修复策略： ;（2）对适值函数的改进;例如：五个染色体构成的 一个种群，其目标函数值 分别为 ;对目标函数进行标定，调节选择压力。 标定：F=f-1000 显然标定后，各个染色体被选中的概率差别大幅度增加， 即选择压力增大了。 ; 3）适值的标定方法 ;（3）对遗传算子的改进;轮盘赌选择又称比例选择算子，它的基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。 设群体大小为n ，个体i 的适应度为 Fi，则个体i 被选中遗传到下一代群体的概率为： ;（1）计算群体中所有个体的适应度函数值（需要解码）； （2）利用比例选择算子的公式，计算每个个体被选中遗传到下一代群体的概率； （3）采用模拟赌盘操作（即生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配）来确定各个个体是否遗传到下一代群体中。 ;排序选择 均匀交叉 逆序突变;排序选择 均匀交叉 逆序突变;（4） 对控制参数的改进;参数分析 交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键，直接影响算法的收敛性； Pc越大，新个体产生的速度就越快，但过大会使优秀个体的结构很快被破坏；Pc过小，搜索过程缓慢，以至停止不前； Pm过小，不易产生新个体结构，Pm过大，变成纯粹的