(算法分析的设计）第八讲遗传算法.ppt

于是，经复制得群体： s1’ =11000（24）, s2’ =01101（13） s3’ =11000（24）, s4’ =10011（19） 四、遗传算法应用举例 1 交叉 设交叉率pc=100%，即S1中的全体染色体都参加交叉运算。 设s1’与s2’配对，s3’与s4’配对。分别交换后两位基因，得新染色体： s1’’=11001（25）, s2’’=01100（12） s3’’=11011（27）, s4’’=10000（16） 　 四、遗传算法应用举例 1 变异 设变异率pm=0.001。 这样，群体S1中共有 5×4×0.001=0.02 位基因可以变异。 0.02位显然不足1位，所以本轮遗传操作不做变异。 四、遗传算法应用举例 1 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） 四、遗传算法应用举例 1 第二代种群S2中各染色体的情况 染色体 适应度 选择概率 估计的 选中次数 s1=11001 625 0.36 1 s2=01100 144 0.08 0 s3=11011 729 0.41 2 s4=10000 256 0.15 1 四、遗传算法应用举例 1 　　 假设这一轮选择-复制操作中，种群S2中的 4个染色体都被选中，则得到群体： s1’=11001（25）, s2’= 01100（12） s3’=11011（27）, s4’= 10000（16） 做交叉运算，让s1’与s2’，s3’与s4’ 分别交换后三位基因，得 s1’’ =11100（28）, s2’’ = 01001（9） s3’’ =11000（24）, s4’’ = 10011（19） 这一轮仍然不会发生变异。 四、遗传算法应用举例 1 于是，得第三代种群S3： s1=11100（28）, s2=01001（9） s3=11000（24）, s4=10011（19） 四、遗传算法应用举例 1 于是，得第三代种群S3： s1=11100（28）, s2=01001（9） s3=11000（24）, s4=10011（19） 四、遗传算法应用举例 1 第三代种群S3中各染色体的情况 染色体 适应度 选择概率 估计的 选中次数 s1=11100 784 0.44 2 s2=01001 81 0.04 0 s3=11000 576 0.32 1 s4=10011 361 0.20 1 四、遗传算法应用举例 1 设这一轮的选择-复制结果为： s1’=11100（28）, s2’=11100（28） s3’=11000（24）, s4’=10011（19） 做交叉运算，让s1’与s4’，s2’与s3’ 分别交换后两位基因，得 s1’’=11111（31）, s2’’=11100（28） s3’’=11000（24）, s4’’=10000（16） 这一轮仍然不会发生变异。 四、遗传算法应用举例 1 第八讲 遗传算法 一、遗传算法概述 二、遗传学相关概念 三、简单遗传算法 四、遗传算法应用举例 英国的博物学家达尔文通过研究提出了被恩格斯赞誉为“19世纪自然科学三大发现”之一的生物进化学说。 达尔文的“贝格尔号”考察路线 太平洋 印度洋 亚洲 欧洲 非洲 南美洲 北美洲 大洋州 大西洋 生物进化的过程和原因 取食果实 取食昆虫 取食仙人掌 取食种子 取食昆虫 喙凿状 喙不变 喙尖而长 喙粗而尖 加拉帕戈斯雀的进化 长颈鹿的进化示意图 一、遗传算法概述 与传统的优化算法相比，遗传算法主要有以下几个不同之处 遗传算法不是直接作用在参变量集上而是利用参变量集的某种编码 遗传算法不是从单个点，而是从一个点的群体开始搜索； 遗传算法利用适应值信息，无须导数或其它辅助信息； 遗传算法利用概率转移规则，而非确定性规则。 一、遗传算法概述 遗传算法的优越性主要表现在：首先，它在搜索过程中不容易陷入局部最优，即使所定义的适应函数是不连续的、非规则的或有噪声的