计算智能理论讲义——遗传算法绪论qrlkd.pptVIP

* 计算智能理论——遗传算法 * 遗传算法的手工模拟计算示例 主要运算过程： 交叉运算: 遗传算法产生新个体的主要操作，它以某一概率相互交换某两个染色如体检的部分染色体。 例：011101 011001 101011 101001 111001 111101 111001 111011 交叉后 交叉后 * 计算智能理论——遗传算法 * 遗传算法的手工模拟计算示例 主要运算过程： 变异运算：对个体某一个或一些基因座上的值按照某以较小的概率进行改变，也是产生新个体的一种方法。 例：基本位变异。先确定个体的基因变异位置，然后以某一变异概率将变异点的原有基因变异。对该例就是将变异点的基因取反。 011001 111101 101001 111011 变异后 011101 111111 111001 111010 3，5 7，7 7，1 7，2 * 计算智能理论——遗传算法 * 1.3 遗传算法的特点 解决优化问题的常用优化算法：单纯形法、梯度法、动态规划法、分枝定界法等。这些优化算法各有所长，各有其适用范围，也各有各的限制。 遗传算法是一类可用于复杂系统优化计算的鲁棒搜索算法，与其他优化方法相比，它的主要特点如下： 遗传算法以决策变量的编码作为运算对象。传统优化算法往往直接利用决策变量的实际值来进行优化运算。遗传算法处理的是决策变量的编码，使得在优化计算过程中可以借鉴生物学中染色体和基因等概念，可以模仿自然界中生物的遗传和进化处理机理，也使得可以方便的使用遗传操作算子。特别是对一些无数值概念或很难有数值概念，而只有代码概念的优化问题，编码处理方式更显示出了其独特的优越性。 * 计算智能理论——遗传算法 * 1.3 遗传算法的特点 遗传算法直接以目标函数值作为搜索信息。 传统优化算法不仅需要利用目标函数值，而且往往需要目标函数值的导数值等一些辅助信息才能确定搜索方向。遗传算法仅使用由目标函数值变换来的适应度函数值，就可以确定进一步的搜索方向和搜索范围，无需目标函数的导数值等其他一些辅助信息。这对一些导数很难求或导数不存在的函数优化问题，以及组合优化问题，应用遗传算法就非常方便。同时，利用目标函数值或个体适应度，使得搜索范围集中到适应度较高的部分搜索空间，提高了搜索效率。 遗传算法同时使用多个搜索点的搜索信息。传统优化算法是从解空间中一个初始点开始最优解的迭代搜索过程。单个搜索点提供的信息有限，使得搜索效率较低，而且易于陷入局部最优解。遗传算法从有很多个解组成的初始群体开始最优解的搜索，对该群体进行选择、交叉、变异等运算，产生新一代群体，这之中包括了很多群体信息。这些信息可避免搜索一些不必要的搜索点，实际上相当于搜索了更多的点，这是遗传算法所特有的隐并行性。 * 计算智能理论——遗传算法 * 1.3 遗传算法的特点 遗传算法使用概率搜索技术。传统优化算法往往使用的是确定型的搜索方法，一个搜索点到另一个搜索点的转移有确定的转移方向和转移关系，这种确定性有可能使得搜索永远达不到最优解！因此限制了算法的应用范围。遗传算法是一种自适应概率搜索技术，其选择、交叉、变异等运算都以一种概率的方式进行，增加了搜索过程的灵活性。这种概率特性也会使群体中产生一些适应度不高的个体，但随着进化过程的进行，新群体总会更多的产生出许多优良的个体，实践和理论都已证明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。但是交叉概率和变异概率等参数也会影响搜索效果和搜索效率，因此如何选择遗传算法的参数在其应用中是一个比较重要的问题。同时遗传算法的鲁棒性会使得参数对其搜索效果的影响尽可能的低。 * 计算智能理论——遗传算法 * 1.4 遗传算法的发展 遗传算法源于对生物系统所进行的计算机模拟研究。 早在40年代，就有学者开始研究如何利用计算机进行生物模拟技术，他们从生物学角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。 60年代，美国Michigan大学的Holland教授及其学生们受到这种生物模拟技术的启发，创造了一种基于生物遗传和进化机制的适合于复杂系统优化计算的自适应概率优化技术——遗传算法。 * 计算智能理论——遗传算法 * 遗传算法发展进程中的关键人物及其贡献 J. H. Holland: 60年代，Holland认识到生物的遗传和进化现象与人工自适应系统的相似关系，并运用生物的遗传和进化思想来研究自然和人工自适应系统的生成及他们与环境的关系，提出设计人工自适应系统时，可借鉴生物的遗传机制，以群体方法进行自适应搜索，并充分认识到交叉、变异等运算在自适应系统中的重要性。70年代， Holland教授提出了遗传算法的基本定理——模式定理（Schema Theorem），该定理奠定了遗传算的理论基础。模式定理揭示了群体中优良个体（较好