第十四篇 章 遗传算法 智能系统课件.pptVIP

第十四章 遗传算法 14.1 遗传算法的基本特点 14.2 遗传算法的基本操作 14.3 遗传算法的设计步骤 14.4 遗传算法的实质 19世纪50年代，英国生物学家达尔文（C. R. Darwin，1809 ~ 1882)根据他对世界各地生活的考察资料和人工选择的实验，提出了生物进化论。 根据达尔文的进化论，生物发展进化主要有三个原因，就是遗传、变异和选择。 遗传就使子代总是和父代相似，遗传性是一切事物所共有的特性，遗传是生物进化的基础。 变异是指子代是父代有某些不相似的现象，即子代永远不会和父代完全一样。生物的变异性为生物的进化和发展创造了条件。 选择决定生物进化的方向，所谓选择是指保留和淘汰的意思。 选择分为人工选择和自然选择 选择就是优生劣汰 生物就是在遗传、变异与选择三种因素的综合作用过程中，不断的向前发展和进化。 选择是通过遗传和变异起作用 变异为选择提供资料，遗传巩固与积累选择的资料 选择则能控制变异和遗传的方向，使变异和遗传向着适应环境方向发展。 遗传算法术语 遗传学 遗传算法 染色体(chromosome) 字符串（或样本）个体(individul) 基因(gene) 每个字符串 代(generation) 种群 繁殖（reproduction）再生 选择、复制 交配(crossover) 交叉、交换 变异(mutation) 变异 14.1遗传算法的基本特点 遗传算法有以下的基本特点 1）遗传算法通过编码将优化问题的自然参数编码成有限长度数字串位，故遗传算法基本上不受函数约束条件（如连续、可导、单调等）特性的限制，能在极其广泛的问题求解过程中发挥作用。 2）传统搜索法基本上是点到点的搜索方法，遗传算法是全局优化方法 3）遗传算法在选择过程中，依据一定概率随机地选择个体是为了摹仿自然界进化过程中的“适者生存”、“优胜劣汰”的竞争规则。 14.2遗传算法的基本操作 遗传算法是一种对群体的操作，该操作是以群体中的所有个体为对象。 1）选择（复制）操作 实现选择操作的方式很多，其类型主要有以下几种： （1）直接基于适应度的比例选择机制 a）赌轮(Roulette wheel selection)选择方式； b）期望值模型(Expected value model)选择方式； c）随机竞争(Stochastic tournament)选择方式 （2）间接基于适应度的非线性选择机制 a）线性标定(Scaling)： b）幂函数标定： c）指数标定： （3）基于代沟(Generation)方式的种群选择机制 （4）基于小生境技术的种群选择机制 a）基于预选择(preselection)机制的小生境技术 b）基于种群(Crowding)机制的小生境技术 c）基于共享(sharing)机制的小生境技术 2）交叉（交换）操作 在设计交叉算子时，需要兼顾如下两个基本要求： （1）交叉操作要有利于父串关键特征（模式）以及有利于变异的遗传和继承； （2）交叉操作要有利于的遗传变异库的更新和丰富。 简单的交叉可分两步进行：首先对种群中的个体某一个概率值进行随机配对；其次在配对个体中随机设定交叉处，被配对个体彼此交换部分信息。交叉操作类型一般有一点交叉(one-point crossover)；二点交叉(two-point crossover)；多点交叉(multi-point crossover)和一致交叉(uniform crossover)几种。 3）变异操作 14.3 遗传算法的设计步骤 在应用遗传算法求解具体问题时，主要考虑以下几个问题： 1）参数编码 对寻优参数编码。确定寻优参数和各参数的变化范围，将各寻优参数用无符号的二进制数表示。设某寻优参数a 则b可由下式求得： 的变化范围是 ，若用m位二进制数b来表示， 再将所有寻优参数的二进制数串联成一个二进制的字符串s，又称为样本。若有r个寻优参数，每个参数都用m位二 位。 进制数表示，则字符串s共有 2）种群初始化 确定遗传算法所使用的各参数的取值，如群体规模n，交叉、变异等发生的概率。 若无先验知识，可随机产生n个字符串（样本），组成一个种群(Population)。 3）求各样本的适配值 根据编码方法以及问题的要求，设计一个适配度函数f，用以测量和评价各解的性能。这个适配度函数实际上对应于最优化的指标函数。 用每个样本对应的一组寻优参数计算其适配值(Fitness Value)，并按从优到劣的次序排列。 4）选择（Seletion) 求出各样本的适配度： ，i = 1, 2,..., n 对种群中各样本以优于 作为父母样本，并随机的两两配对，用交叉和变异的方法繁殖后代。 值