遗传算法简述.pptVIP

设这一轮的选择-复制结果为： s1’=11100（28）, s2’=11100（28） s3’=11000（24）, s4’=10011（19） 做交叉运算，让s1’与s4’，s2’与s3’ 分别交换后两位基因，得 s1’’=11111（31）, s2’’=11100（28） s3’’=11000（24）, s4’’=10000（16） 这一轮仍然不会发生变异。 于是，得第四代种群S4： s1=11111（31）, s2=11100（28） s3=11000（24）, s4=10000（16） 　 显然，在这一代种群中已经出现了适应度最高的染色体s1=11111。于是，遗传操作终止，将染色体“11111”作为最终结果输出。 　　然后，将染色体“11111”解码为表现型，即得所求的最优解：31。 将31代入函数y=x2中，即得原问题的解，即函数y=x2的最大值为961。 Y Y y=x2 8 13 19 24 X 第一代种群及其适应度 y=x2 12 16 25 27 X Y 第二代种群及其适应度 y=x2 9 19 24 28 X Y 第三代种群及其适应度 y=x2 16 24 28 31 X 第四代种群及其适应度 　例 1.2 用遗传算法求解TSP。 　 分析 由于其任一可能解—— 一个合法的城市序列，即n个城市的一个排列，都可以事先构造出来。于是，我们就可以直接在解空间（所有合法的城市序列）中搜索最佳解。这正适合用遗传算法求解。 　　（1）定义适应度函数 我们将一个合法的城市序列s=（c1, c2, …, cn, cn+1）(cn+1就是c1)作为一个个体。这个序列中相邻两城之间的距离之和的倒数就可作为相应个体s的适应度，从而适应度函数就是 　（2）对个体s=（c1, c2, …, cn, cn+1）进行编码。但对于这样的个体如何编码却不是一件直截了当的事情。因为如果编码不当，就会在实施交叉或变异操作时出现非法城市序列即无效解。 例如，对于5个城市的TSP，我们用符号A、B、C、D、E代表相应的城市，用这5个符号的序列表示可能解即染色体。 然后进行遗传操作。设 s1=（A, C, B, E, D, A），s2=（A, E, D, C, B, A） 实施常规的交叉或变异操作，如交换后三位，得 s1’=（A,C,B,C,B,A）， s2’=（A,E,D,E,D,A） 或者将染色体s1第二位的C变为E，得 s1’’=（A, E, B, E, D, A） 可以看出，上面得到的s1’， s2’和s1’’都是非法的城市序列。 为此，对TSP必须设计合适的染色体和相应的遗传运算。 事实上，人们针对TSP提出了许多编码方法和相应的特殊化了的交叉、变异操作，如顺序编码或整数编码、随机键编码、部分映射交叉、顺序交叉、循环交叉、位置交叉、反转变异、移位变异、互换变异等等。从而巧妙地用遗传算法解决了TSP。 遗传算法 2.1 遗传算法特点 2.2 遗传算法的数学基础 2.3 遗传算法的收敛性分析 2.4 遗传算法改进 2.5 遗传算法的融合 2.1 遗传算法的特点与优势 　　◆传统优化算法  　　 - 枚举法：枚举出可行解集合内的所有可行解，以求出精确最优解。 * 对于连续函数，要求先进行离散化处理。枚举空间比较大时，方法求解效率较低，甚至无法求解。 　 - 启发式算法：寻求一种能产生可行解的启发式规则，已找到一个最优解或近似最优解。 * 该方法的求解效率比较高，但对每一个需求解的问题必须找出其特有的启发式规则，这个启发式规则一般无通用性，不适合于其他问题。 　 - 搜索算法：寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，已找到问题的最优解或近似最优解。 * 该方法虽然保证不了能够获得问题的最优解，但若适当地利用一些启发式规则，就可以在近似解的质量和效率上达到一种较好的平衡。 　　◆遗传算法的主要特点  　　——遗传算法一般是直接在解空间搜索, 而不像图搜索那样一般是在问题空间搜索, 最后才找到解，因而可以更加直接地应用。 　　——遗传算法是一种随机搜索算法，搜索随机地始