遗传算法-副本-(精品课件).ppt

重庆理工大学电子学院  遗传实例一 通过图片，可以看出，Lucus 的脸型与笑容和张柏芝有着惊人的相似， 而Lucus的眉毛和谢霆锋小时候几乎是一模一样的。 Quintus是Lucus的弟弟，二者的眉毛和眼睛相似，因为都是遗传了亲代谢和张的基因。遗传是指经由基因的传递，使后代获得亲代的特征。 但是，总体来看，两兄弟还是有不同之处的。这是因为在遗传的过程中，基因有选择性的显现，在染色体交叉的过程中，交叉方式可能不同，还有可能是基因产生了少量突变。 且子代有优于父代的趋势。 遗传实例 二 遗传算法的产生 遗传算法的基本概念 遗传算法简称GA（Genetic Algorithms）是1962年由美国Michigan大学的Holland教授提出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。 遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。 遗传算法的基本概念 串：它是个体的形式，在算法中为二进制串，并且对应于遗传学中的染色体。 种群：个体的集合称为种群，串是种群的元素。 种群大小：在种群中个体的数量称为种群的大小。 基因：串中的元素，基因用于表示个体特征。 染色体：基因型个体。 适应度：表示某一个体对于环境的适应程度。 遗传算法的基本原理 自然选择学说包括以下三个方面： 遗传：这是生物的普遍特征，亲代把生物信息交给子代，子代总是和亲代具有相同或相似的性状。生物有了这个特征，物种才能稳定存在。 变异：亲代和子代之间以及子代的不同个体之间的差异，称为变异。变异是随机发生的，变异的选择和积累是生命多样性的根源。 遗传算法的基本原理 生存斗争和和适者生存：具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐与祖先有所不同，演变为新的物种。 遗传算法的基本思想 在问题的求解过程中，把搜索空间视为遗传空间，把问题的每一个可能解看做一个染色体，染色体里面有基因，所有染色体组成一个种群。 随机选择部分染色体组成初始群种，依据寻优准则（适应度函数），对种群中每一个染色体进行评价，计算其适应度值，淘汰适应度小的，保留适应度值大的，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。 遗传算法的操作过程 遗传算法的运算过程 编码：编码过程就是实际问题数学化的表示过程。目前常用的编码方式有： 1 二进制编码。二进制编码是最基础的编码方式，将问题空间的参数表示成基于字符集{0,1}构成的染色体字符串。采用二进制编码的遗传算法进行数值优化时，可以通过改变编码的长度，协调搜索精度和效率之间的关系。 染色体编码方法 如 就可表示一个个体，该个体的染色体长度是18。 染色体编码方法 2 浮点编码。个体的基因值用某一范围内决策变量的一个浮点数来表示，个体的编码长度等于其决策变量的个数。浮点编码使用的是决策变量的真实值。例如：某个优化问题含有6个变量，则它的一个基因表达为 X: 染色体编码方法 3 序列编码。采用GA求解类似旅行商问题（TSP）时，用排列法进行编码。 比如：有10个城市的TSP问题，城市序号为{1,2,3,4,5,6,7,8,9,10}则编码示按特定顺序1-3-5-7-9-2-4-6-8-10-1依次访问各个城市。 初始种群的产生。在已编码的解空间中，随机产生N个初始解，每个初始解为一个个体，N个个体构成一个种群称为初始种群，遗传算法以这个初始种群为初始点开始进行迭代。 适应度函数的确定。在一般的优化过程中，适应度函数表明个体或解的优劣性，是进行自然选择的唯一依据，改变种群内部结构的操作都通过适应值的大小加以控制。 常用的适应度函数变换 1 非负变换 非负变换可以把最小优化目标函数变换成以最大值为目标的适应度函数。 个体适应度评价 适度函数变换的方法 2 线性变换 线性变换可以把优化目标函数变换为适应度函数的线性函数，解决非负问题。表达式如下： 适度函数变换的方法 遗传算法的基本操作 选择（Reproduction Operator） 选择是从一个旧种群中选择生命力强的个体位串产生新种群的过程。具有高适应度的位串更有可能在下一代中产生一个或多个子孙。 选择操作可以通过随机方法来实现。首先产生0~1之间均匀分布的随机数，若某串的选择概率为40%，则当产生的随机数在0.40~1.0之间时，该串被选择，否则被淘汰。 选择的方法 比例选择法（轮盘赌） 锦标赛选择法