进化计算与遗传算法—人工智能课程讲解.pptVIP

第十二章 进化计算与遗传算法 内容 12.1 概述 发展历史 发展历史（续） 发展历史（续） 特 点 遗传算法与自然进化的比较 面向执行的学习系统 新达尔文进化理论的主要论点 12.2 进化系统理论的形式模型 进化系统理论的形式模型 进化系统理论的形式模型 进化系统理论的形式模型 进化系统理论的形式模型 门德尔遗传学 门德尔遗传学 门德尔遗传学 门德尔遗传学 门德尔遗传学 12.3 达尔文进化算法 12.3 达尔文进化算法 12.4 分类器系统 分类器系统 分类器系统 分类器系统 规则与消息 规则与消息 分类器系统的基本结构 分类器基本算法 简单的视觉分类器系统 性质检测器规定的值 规则表示 网络图 网络图的规则表示 学习机制 12.5 桶链算法 主要问题 桶链算法 举例 第一步 第二步 第三步 第四步 第五步 投标改变分类器的强度 分类器中的遗传算法 算法步骤 算法说明 12.6 遗传算法 遗传算法 遗传算法与传统优化算法的主要不同 遗传算法的准备工作 基本的遗传算法 基本遗传算法的流程图 表示模式 杂交操作 具有强度的遗传算法 杂交操作举例 变异操作 反转操作 遗传算法举例 12.7 并行遗传算法 并行遗传算法 12.8 分类器系统Boole 分类器强度调整算法 Boole的遗传算法 12.9 规则发现系统 规则发现系统 规则发现系统 规则发现系统 规则发现系统 规则发现系统 12.9 规则发现系统 PSP与BBA比较 不同的强度修改方案 12.10 进化策略 12.11 进化程序设计 进化程序设计步骤 1 0 2 2 0 2 0 1 [No Offspring] Pt. of interchange [Crossover] [Parents] [Offspring] 1110###0# 1##0111## 0001##11# 010##1000 #00####11 0#01##10# ###100100 100##0111 6 17 1 1110##11# 0001###0# 0001##11# #00####11 #00####11 0#01##10# 000##0111 1#01##10# 简单的变异操作过程如下: 每个位置的字符变量都有一个变异概率, 各位置互相独立。通过随机过程选择发生变异的位置： 产生一个新结构 , 其中 是从对应位置 的字符变量的值域中随机选择的一个取值。 可以同样得到。 简单反转操作的步骤如下: 从当前群体中随机选择一个结构 从中随机选择两个数i’和j’, 并定义 i = min{i,j}, j=max{i,j}; 颠倒a中位置i、j之间的部分, 产生新的结构 问题：求 （1）编码： 此时取均长为5，每个染色体 （2）初始群体生成：群体大小视情况而定，此处设置为4，随机产生四个个体： 编码： 01101，11000，01000，10011 解码： 13 24 8 19 适应度： 169 576 64 361 （3）适应度评价： （4）选择：选择概率 个体： 01101，11000，01000，10011 适应度： 169 576 64 361 选择概率：0.14 0.49 0.06 0.31 选择结果：01101，11000，11000，10011 （5）交叉操作：发生交叉的概率较大 哪两个个体配对交叉是随机的 交叉点位置的选取是随机的（单点交叉） 0110 1 01100 11 000 11011 1100 0 11001 10 011 10000 （6）变异：发生变异的概率很小 （7）新群体的产生： 保留上一代最优个体，一般为10%左右，至少1个 用新个体取代旧个体，随机取代或择优取代。 11000，11011，11001，10011 （8）重复上述操作： 说明：GA的终止条件一般人为设置； GA只能求次优解或满意解