大连海事大学《现代优化技术》第9讲：现代启发式算法之遗传算法资料教程.ppt

现代优化技术;生物学中的遗传概念;遗传算法的基本思想和基本概念;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;编码与解码;二进制编码符号串的长度与问题所要求的求解精度有关。设某一参数的取值范围是[B, A]，BA。则二进制编码的编码精度为： ;例如，对于x∈[0,1023]，若用10位长的二进制编码来表示该参数，则下述符号串： X: 0 0 1 0 1 0 1 1 1 1 就可表示一个个体。它所对应的参数值是x=175。此时的编码精度为δ=1。 ;二进制编码的特点 -编码、解码操作简单易行； -交叉、变异等遗传操作便于实现； -符合最小字符集编码原则； -便于利用图式（模式）定理对算法进行理 论分析。 -编码长度较大 ; 浮点编码 所谓浮点数编码方法是指个体的每个染色体用某一范围内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。因为这种编码方法使用的是决策变量的真实值，所以浮点数编码方法也叫做真值编码方法。;符号编码方法是指个体染色体编码串中的基因值取自一个无数值含义、而只有代码含义的符号集。 这个符号集可以是一个字母表，如{A,B,C,D,…}；也可以是一个数字序号表，如{1,2,3,…}；还可以是一个代码表，如{A1,A2,A3,…}等等。 例如：对于销售员旅行问题，按一条回路中城市的次序进行编码。从城市w1开始，依次经过城市w2 ，……，wn，最后回到城市w1，我们就有如下编码表示： 　　w1 w2 …… wn 　　 由于是回路，记wn+1=w1。它其实是1，……，n的一个循环排列。要注意w1，w2，……，wn是互不相同的。;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;roulette wheel selection;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;现代启发式算法之遗传算法;遗传算法应用举例 ; 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。;　解 　　(1) 设定种群规模,编码染色体，产生初始种群。 将种群规模设定为4；用5位二进制数编码染色体；取下列个体组成初始种群S1: s1= 13 (01101), s2= 24 (11000) s3= 8 (01000), s4= 19 (10011) (2) 定义适应度函数, 取适应度函数：f (x)=x2 ;　　(3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,直到适应度最高的个体(即31（11111）)出现为止。  　　; 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361;再计算种群S1中各个体的选择概率。; 赌轮选择示意;选择;于是，得到群体： s1’ =11000（24）, s2’ =01101（13）