遗传算法-教学课件.ppt

遗传算法直接以目标函数值作为搜索信息 传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数，相比较遗传算法就非常的方便。 同时进行解空间的多点搜索 传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不断进化。这些是遗传算法所特有的一种隐含并行性。 使用随机搜索技术 遗传算法属于一种自适应随机搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。实践和理论都已证明了在一定条件下遗传算法总是以概率1收敛于问题的最优解。 简单、通用、容易操作 遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。 1、遗传算法适合数值求解有多参数、多变量、多目标、多区域的NP-hard问题; 2、遗传算法在求解很多优化问题时，不需要有很强的技巧和对问题有非常深入的了解; 3、遗传算法求解有较好的兼容性。 六、遗传算法优点和不足 1、编码不规范及编码存在表示的不准确性; 2、单一的遗传编码不能全面地将优化问题的约束表示出来; 3、是否能保证收敛到最优解. 六、遗传算法优点和不足 如何知道对某一特定问题使用遗传算法会得到优化解呢？ 遗传算法的工作机理如何呢？ 遗传算法如何改善其搜索能力呢？ 思考 产生 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Bagley(巴格利)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。 发展 70年代初，Holland提出了“模式定理”（Schema Theorem），一般认为是“遗传算法的基本定理”，从而奠定了遗传算法研究的理论基础； 1985年，在美国召开了第一届遗传算法国际会议，并且成立了国际遗传算法学会(ISGA，International Society of Genetic Algorithms)； 发展 1989年，Holland的学生D. J. Goldherg（戈尔德贝格）出版了“Genetic Algorithms in Search, Optimization, and Machine Learning（遗传算法——搜索、优化及机器学习）”，对遗传算法及其应用作了全面而系统的论述。 —该书系统总结了遗传算法的主要研究成果，全面完整地论述了遗传算法的基本原理及应用。 发展 1991年，L. Davis编辑出版了《Handbook of Genetic Algorithms（遗传算法手册）》，书中介绍了遗传算法在科学计算、工程技术和社会经济等领域中大量的应用实例，该书为推广和普及遗传算法的应用起到了重要的指导作用。 发展 1992年，J.R.Koza（科扎）《Genetic Programming》将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程的概念。Koza成功地将提出的遗传编程方法应用于人工智能、机器学习、符号处理等方面。 J.H.Holland 20世纪60年代 认识到了生物的遗传和自然进化现象与人工自适应系统的相似关系， 运用生物遗传和进化的思想来研究自然和人工自适应系统的生成以及它们与环境的关系， 提出在研究和设计人工自适应系统时，可以借鉴生物遗传机制，以群体的方法进行自适应搜索， 充分认识到了交叉、变异等运算策略在自适应系统中的重要性。 20世纪70年代，Holland提出了遗传算法的基本定理---模式定理(Schema Theorem)，奠定了遗传算法的理论基础。 20世纪80年代，Holland实现了第一个基于遗传算法的机器学习系统----分类器系统，开创了基于遗传算法学习的新概念，为分类器系统构造出了一个完整的框架。 1975年，Holland出版了第一本系统论述遗传算法和人工自适应系统的专著《自然系统和人工系统的自适应性（Adaptation in Natural and Artificial Systems）》。 J.D.Bagley（巴格利） 1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，并发表了遗传算法应用方面（在博弈中）的第一篇论文。 发展了复制、交叉、变异、显性、倒位等遗传算子，在个