遗传算法介绍--中文翻译C.docVIP

遗传算法介绍 Tom M. Mitchell 目录 Ⅰ.简介 Ⅱ.动机 Ⅲ.遗传算法 1.表示假设 2.遗传算子 3.适应度函数和假设选择 Ⅳ.举例 ·表示 ·遗传算子 ·适应度函数 Ⅴ.扩展 Ⅰ.简介 遗传算法提供了一种大致基于模拟进化的学习方法。其中的假设常用二进制位串来描述，而位串的含义又依赖于具体的应用。然而假设也可以被描述为符号表达式或者是计算机程序。寻找恰当的假设是从初始的群体和集合开始的。当前群体的成员通过诸于随机变异和交叉的方式产生下一代成员，这个过程就像生物进化。在每一个阶段，根据给定的适应度对当前群体的假设做出相关的评估，然后挑选出最合适的假设并把它作为产生下一代的种子。遗传算法已被成功的应用于一系列的学习任务和其它的最优化问题。例如，它们被应用于学习机器人控制的规则集合以及人工神经网络的拓扑结构和学习参数的优化问题中。这篇论文既覆盖了用二进制位串来描述遗传假设的遗传算法，又覆盖了用计算机程序来描述遗传假设的遗传编程。 Ⅱ.动机 遗传算法（GAs）提供了一种受类似于生物进化启发的学习方法。它不再是从一般到特殊或者从简单到复杂的搜索假设，而是通过不断的变异和重组当前所知的最好的假设部分来生成后续的假设。在每个阶段，更新被称为当前群体的一系列假设，这种更新是通过用当前最好的假设的后代来取代群体的某一部分。这个过程形成了产生与测试的柱状搜索假设，其中有一些当前最好的假设的变量有可能在下一步被考虑到。遗传算法的普及是由下列许多因素启发的： ·在生物系统中，进化被认为是成功的，健壮的适应方法。 ·遗传算法能搜索包含复杂交互作用部分的假设空间，每个部分对总体假设适应度的影响可能很难建立模型。 ·遗传算法很容易平行化，且能很容易降低超级计算机硬件的成本。 这篇论文描述了遗传算法方法，举例说明了它的应用，并且检查了它的假设搜索空间的特性。我们同时也描述了被称为遗传编程的一个变体，在遗传编程中整个计算机程序向着某种标准的适应度进化。遗传算法和遗传编程是被称为进化计算领域的两种最流行的方法。在后面的部分中我们接触挑选的研究生物进化的课题，包括Baldwin效应，它描述了简单个体的学习能力与整个群体进化速率之间有趣的相互作用。 Ⅲ．遗传算法 遗传算法研究的问题是搜索候选假设空间并确定最佳的假设。在遗传算法中，“最佳假设”被定义为使适应度最优的假设适应度是为当前问题预先定义的数字度量。例如，如果学习任务是在给定一个未知函数的输入输出训练样例后逼近这个函数，适应度可被定义为假设在训练数据上的精度。如果任务是学习下国际象棋的策略，那么适应度可被定义为该个体在当前群体中与其他个体对弈的获胜率。 尽管遗传算法的不同实现在细节上有所不同，但它们都具有以下的共同结构：算法迭代更新一个假设池，这个假设池称为群体。在每一次迭代中，根据适应度评估群体中的所有成员，然后用概率方法选取适应度最高的个体产生新一代群体。在这些被选中的个体中，一部分保持原样地进入下一代群体，其他被用作产生后代个体的基础，其中应用交叉和变异这样的遗传方法。 GA ( Fitness ,Fitness_threshold ,p ,r ,m ) Fitness: 适应度评分函数，为给定的假设赋予一个评估分数 Fitnessdhreshold: 指定终止判断的阈值 p: 群体中包含的假设数量 r: 每一步中通过交叉取代群体成员的比例 m: 变异率 ·初始华群体: P随机产生的P个假设 ·Evaluate: 对于P中的每一个h , 计算Fitness(h) ·当 [max Fitness(h)] Fitness_threshold 做 h 产生新的一代Ps: 1. 选择: 用概率方法选择P的（1-r）P个成员加入Ps。从P中选择假设hi的概率Pr（hi）用下面的公式计算： Pr(hi)= 2. 交叉: 根据上面给出的Pr(hi)，从P中按概率选择 对假设。 对于每对假设h l , h2,应用交叉算子产生两个后代。把所有的后代加入Ps。 3. 变异: 使用均匀的概率从Ps中选择m%的成员。对于选出的每个成员，在它的表示中随机选择一个位取反 4. 更新: P Ps. 5. 评估: 对于 P 中的每个h, 计算Fitness(h) ·从P中返回适应度最高的假设