遗传算法及其函数优化应用.ppt

遗传算法综述及简单应用实例 1、遗传算法简介 1.1遗传算法的产生与发展 1.2生物进化理论和遗传学的基本知识 1.3模式定理 1.4遗传算法的特点 1.5 基本遗传算法 1.5.1基本遗传算法流程 1.5.2算法中的一些控制参数 1.5.3基本遗传算法实例 1.6 遗传算法的应用 2、遗传算法应用实例 3、遗传算法改进 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1、遗传算法简介 1 遗传算法简介 ③ 遗传算法仅用适应度函数值来评估个体，而无须搜索空间的知识或其它辅助信息。遗传算法的适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。对适应度函数的唯一要求是，对于输入可计算出能够进行比较的非负输出。遗传算法的这一特点使它的应用范围极大拓宽，使之可广泛应用于目标函数不可微、不连续、非规划、极其复杂或无解析表达式等类优化问题。 ④ 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。遗传算法执行选择、交叉、变异等类似生物进化过程的简单随机操作，具有极强的鲁棒性。需要指出，遗传算法采用概率仅仅是作为一种工具来引导其搜索过程朝着搜索空间的更优的解的区域移动。因此尽管看起来它是一种盲目的搜索方法，但实际上有明确的搜索方向。 1 遗传算法简介 1 遗传算法简介 1 遗传算法简介 1 遗传算法简介 1 遗传算法简介 应用遗传算法来处理小规模群体时常常出现一些不利于优化的结果。在进化初期，通常会出现一些超常的个体。这些异常个体有可能在群体中占的比例很大，可能因个体竞争力太突出控制整个选择过程而导致未成熟收敛现象。此外，在遗传进化过程往往会出现平均适应度已接近最佳个体适应度，这种情况下，个体间竞争力减弱，最佳个体和其它大多数个体在选择过程中有几乎相等的选择机会，从而使有目标的优化过程趋于无目标的随机漫游过程。显然，对于未成熟收敛现象，我们应该通过缩小相应的适应度函数值来降低异常个体的竞争力。对于随机漫游现象，我们应该通过放大相应的适度度函数值来提高个体间的竞争力。这种对适应度函数的缩放调整称为适应度定标。适应度的定标大致分为：线性定标、σ截断、乘幂标。 1 遗传算法简介 1 遗传算法简介 （4）最佳个体保存方法（elitist model） 该方法的思想是把群体中适应度最高的个体不进行配对交叉而直接复制到下一代中。此种选择又称为复制。此方法能使进化过程中某一代的最优解不被交叉和变异破坏，但可能会急速增加局部最优个体的基因而导致限入局部最优解。该方法的全局搜索能力差，一般都与其他选择方法结合使用。 （5）期望值方法（expected value model） 该方法首先计算群体中每个个体在下一代生存的期望数目： 若某个个体要参与配对和交叉，则它在下一代中的生存期望数目减去0.5；若不参与配对和交叉，则减1。若一个个体的期望值小于0，则不参与选择。实验表明，这期望值方法更优。 （6）排序选择法（rank-based model） 指在计算每个个体的适应度后，根据适应度大小对群体中个体排序，然后把事先设计好的概率表按序分配给个体，作为各自的选择概率。 （7）联赛选择方法（tournament selection model） 该方法的操作思想是从群体中任意选择一定数目的个体（一般选2个），其中适应度最高的个体保存到下一代，这个过程反复执行，直到保存到一一代的个体数达到预先设定的数目为止。 （8）排挤方法（crowding model） 采用该方法时，新生成的子代将替代或排挤相似的旧父代个体。该方法可提高群体的多样性。 交叉算子：交叉就是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。以下介绍几种基本交叉方法： （1）一点交叉（one-point crossover） 一点交叉又称为简单交叉，在个体串中随机设定一个交叉点，该点前或后的两个个体的部分结构进行互换，并生成两个新的个体，如下图所示。 （2）二点交叉（two-point crossover） 二点交叉的操作与一点交叉类似，只是设置两个交叉点，两个交叉点之间的 码串相互交换，分别生成新个体，