专题一_遗传算法培训资料.pptVIP

专题一 遗传算法;遗传算法(Genetic Algorithm, GA)是一种基于自然选择和基因遗传学原理的优化搜索方法。 遗传算法的创立有两个研究目的：一是抽象和严谨地解释自然界的适应过程；二是为了将自然生物系统的重要机理运用到工程系统、计算机系统和商业系统等人工系统的设计中。 遗传算法在计算机上模拟生物的进化过程和基因的操作，并不需要对象的特定知识，也不需要对象的搜索空间是连续可微的，它具有全局寻优的能力。;在生物细胞中，控制并决定生物遗传特性的物质是脱氧核糖核酸，简称DNA。染色体是其载体。 DNA是由四种碱基按一定规则排列组成的长链。四种碱基不同的排列决定了生物不同的表现性状。例如，改变DNA长链中的特定一段（称为基因），即可改变人体的身高。 细胞在分裂时，DNA通过复制而转移到新产生的细胞中，新的细胞就继承了旧细胞的基因。;有性生殖生物在繁殖下一代时，两个同元染色体之间通过交叉而重组，亦即在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉形成两个新的染色体。 在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生新的染色体。 这些新的染色体将决定新的个体（后代）的新的性状。;在一个群体中，并不是所有的个体都能得到相同的繁殖机会，对生存环境适应度高的个体将获得更多的繁殖机会；对生存环境适应度较低的个体，其繁殖机会相对较少，即所谓自然选择。而生存下来的个体组成的群体，其品质不断得以改良，称为进化。;随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码； 计算个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束计算，否则转第③步； 依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰； ;按照一定的交叉概率和交叉方法，生成新的个体; 按照一定的变异概率和变异方法，生成新的个体; 由交叉和变异产生新一代的种群，返回第②步。;产生初 始种群;1.4 遗传算法的特点;同常规算法相比，遗传算法有以下特点： 遗传算法是对参数的编码进行操作，这样???供的参数信息量大，优化效果好。 遗传算法是从许多点开始并行操作，因而可以有效地防止搜索过程收敛于局部最优解。 遗传算法通过目标函数来计算适配值，而不需要其他推导和附加信息，从而对问题的依赖性小。 遗传算法的寻优规则是由概率决定的，而非确定性的。;遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。 遗传算法对于待寻优的函数基本无限制，因而应用范围较广。 遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度。 遗传算法更适合大规模复杂问题的优化。 遗传算法计算简单，功能强。;例：求最大值： f(x)=x*sin(10*pi*x)+2.0 x∈[-1, 2]. 编码：通常采用二进制编码，将某个变量值代表的个体表示为一个二进制串，串长取决于求解的精度。本题取位串为22位，将一个二进制串（b21b20…b0）转化为区间[-1, 2]内对应的实数值很简单，只需要采取以下两步：;2018/5/30; 将一个二进制串（b21b20…b0）2 代表的二进制数化为十进制数; x’对应的区间[-1, 2]内的实数： ;例如，一个二进制串 s1=1000101110110101000111表示实数0.637197。 算法如下: x’ = (1000101110110101000111)2=2288967 x = -1.0+2288967*3/(222 - 1)=0.637197 二进制位串0000000000000000000000与 1111111111111111111111，则分别表示区间的两个端点－1和2。 ;产生初始种群： 一个个体由串长为22的随机产生的二进制串组成染 色体的基因码，我们可以产生一定数目的个体组成 种群，种群的大小（规模）就是指种群中的个体数 目。 例如产生初始种群如下： s1=1000101110110101000111 →x1=0.637197 s2=0000001110000000010000 →x2=-0.958972 s3=1110000000111111000101 →x3=1.602466 ;计算适应度： 对于个体的适应度计算，考虑到本例目标函数在定义 域内均大于0，而且是求函数最大值，所以直接引用 目标函数作为适应度函数： f (s)=f (x) (s：二进制串；x：实数变量) 则： f (s1)=f (x1)=2.586345 f (s2)=f (x2)=1.078878 f (s3)=f (x3)=3.250650 显然，三个个体中S3的适应度最大，为最佳个体。;