遗传算法-讲稿.ppt.pptVIP

遗传算法—应用 机器人学：机器人是一类复杂的难以精确建模的人工系统，而遗传算法的起源就来自于对人工自适应系统的研究，所以机器人学自然成为遗传算法的一个重要应用领域。 机器学习：基于遗传算法的机器学习，在很多领域中都得到了应用。例如基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可以用于人工神经网络的网络结构优化设计。 遗传算法—应用 图象处理：图像处理是计算机视觉中的一个重要研究领域。在图像处理过程中，如扫描、特征提取、图像分割等不可避免地存在一些误差，这些误差会影响图像处理的效果。如何使这些误差最小是使计算机视觉达到实用化的重要要求，遗传算法在这些图像处理中的优化计算方面得到了很好的应用。 遗传算法—应用 人工生命：人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大重要特征。人工生命与遗传算法有着密切的关系，基于遗传算法的进化模型是研究人工生命现象的重要理论基础。 Thanks for your attention！ 现代智能优化算法—遗传算法 遗传算法(Genetic Algorithms，简称GA)是一种模拟生物遗传和进化过程的计算方法。 进化学说的三个方面： 遗传：生物从其父代继承特性或性状的生命现象，即种瓜得瓜，种豆得豆。遗传保持了物种的稳定。 变异：一母生九子，九子各不同。变异的选择和积累是生物多样性的根源； 适者生存：生物之间存在竞争，根据对环境的适应能力，适者生存。 遗传算法——概述 GA 四个基本条件 1.存在由多个生物个体組成的种群 2.生物个体之间存在着差异，或全体具有多样性 3.生物能够自我繁殖 4.不同个体具有不同的环境生存能力，具有优良基因结构的个体繁殖能力強，反之則弱 GA -- 特点 遗传算法以决策变量的编码作为运算对象，从而可以很方便地引入和应用遗传操作算子。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算。 遗传算法直接以目标函数值作为搜索信息，实现比较方便。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，实现困难。 GA -- 特点 遗传算法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。 遗传算法使用概率搜索技术。遗传算法属于一种自适应概率搜索技术，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。 GA的基础术语 染色体（Chromosome） 生物细胞中含有的一种微小的丝状化合物，是遗传物质的主要载体，由多个遗传基因组成。 基因（gene）也称遗传因子，DNA 链中占有一定位置的基本单位。生物的基因数量根据物种不同多少不一，从几个（病毒）到几万个（动物）。 个体（individual）指带有染色体特征的实体。 种群（population）一定数量的个体的集合。 GA的基础术语 适应度（fitness）个体对环境的适应程度 进化（evolution）生物逐渐适应其生存环境，使得其品质不断提高 选择（selection）指决定以一定概率从种群中选择若干个体的操作。一般而言，选择的过程是一种基于适应度的优胜劣汰的过程 复制（reproduction）细胞分裂时，遗传物质DNA通过复制转移到新的细胞中，新的细胞就继承了旧细胞的基因 GA的基础术语 交叉（crossover）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组合形成两个新的染色体 变异（mutation）在细胞复制时，基因的某个位发生某种突变，产生新的染色体 编码（coding）DNA中遗传信息按一定的方式排列，也可看作从表现型到遗传型的映射 解码（decoding）从遗传型到表现型的映射 GA的三个基本算子 复制／选择(Reproduction / Selection) 依据每一物种的适应程度来决定其在下一代中应被复制或淘汰个数的多少 轮盘式选择 竞争式选择 GA 三个基本算子—交叉 交叉式一种提供个体间彼此交换信息的机制，交叉过程主要是母代中较优良的染色体作某些基因的交换，预期产生更优良的后代。一般常见的交叉方式有： （1）单点交叉(One-point crossover) （2）双点交叉(Tail-tail crossover) （3）均匀交叉 GA 三个基本算子—变异 通过突变的方式，使得解可以跳脱单纯的交叉产生的区域，进而产生新的染色体，变异的过程主要以随机的方式，将染色体的基因位由0变成1或由1变成0，主要的变异方