2012年数学建模之遗传算法(基本算法).pptVIP

* 智能优化计算 运行程序 7 算法的设计与实现 * 智能优化计算 运行程序 7 算法的设计与实现 * 智能优化计算 运行程序 7 算法的设计与实现 * 智能优化计算 运行程序 7 算法的设计与实现 * 智能优化计算 模式 将种群中的个体即基因串中的相似样板称为模式。 在二进制编码的串中，模式是基于三个字符集（0，1，*）的字符串，符号*代表任意字符，即0或1。 如模式 *1* 描述了一个四个元的子集{010，011，110，111}。 8 模式定理 * 智能优化计算 模式阶和定义距 模式 H 中确定位置的个数称为模式 H 的模式阶，记作 O(H)，如 O(0 1 1 * 1 *)=4。 模式阶用来反映不同模式间确定性的差异，模式阶越高，模式的确定性就越高，所匹配的样本个数就越少。 8 模式定理 * 智能优化计算 模式阶和定义距 模式 H 中第一个确定位置和最后一个确定位置之间的距离 称为模式的定义距，记作 δ(H)，如 δ(0 1 1 * 1 * *)=4。 阶数相同的模式会有不同的性质，定义距就反映了这种 性质的差异。 8 模式定理 * 智能优化计算 模式定理（schema theorem） 在给定时间步 t ,一个特定模式 H 有 m 个代表串包含在种群 A(t) 中，记为 m=m(H,t)，在再生阶段，每个串根据它的适应值进行复制，一个串 Ai 的再生概率为 8 模式定理 * 智能优化计算 模式定理（schema theorem） 当采用非重叠的 n 个串的种群替代种群 A(t)，可以得到： 其中 f(H) 是在时间 t 表示模式 H 的串的平均适应度。 8 模式定理 * 智能优化计算 8 模式定理 模式定理（schema theorem） 假设从 t=0 开始，某一特定模式适应度值保持在种群平均适应度以上一个 cf （ c 为一常数），则模式的选择生长方程为 上式表明，在种群平均值以上(以下)的模式将按指数增长(衰减)的方式被复制。 * 智能优化计算 模式定理（schema theorem） 考虑交叉操作，模式 H 被破坏的概率为 δ(H)/(l-1)，模式 H 生存概率为 1- δ(H)/(l-1) ，若交叉操作发生的概率为 pc，因此对于模式 H 的生存概率计算为： 同时考虑选择、交叉操作对模式的影响，可得： 8 模式定理 H1= * 1 * * * * 0 H2= * * * 1 0 * * 该式表明，模式增长或衰减依赖于两个因素．一个因素是模式的适应值是在平均适应值之上还是在平均适应值之下，另一个因素是模式具有相对长还是相对短的定义距。那些既在种群平均适应度值之上同时又具有短的定义距的模式将校指数增长率被采样。 * 智能优化计算 模式定理（schema theorem） 考虑变异操作，单个等位基因存活的概率为 pm ，当模式 H 中 O(H) 个确定位都存活时，模式 H 才被保留，存活概率为： 同时考虑选择、交叉和变异操作对模式的影响，可得： 8 模式定理 H1= * 1 * * * * 0 H2= * * * 1 0 * 0 * 智能优化计算 模式定理（schema theorem） 模式定理：在遗传算子选择、交叉、变异的作用下，具有低阶、短定义距以及平均适应度高于种群平均适应度的模式在子代中呈指数增长。 具有低阶、短定义距以及平均适应度高于种群平均适应度的模式被定义为积木块。 8 模式定理 * 智能优化计算 积木块假设（building block hypothesis） 遗传算法通过短定义距、低阶以及高平均适应度的模式（积木块），产生适应度更高的个体，从而找到更优的可行解。 8 模式定理 * The End！ Bai Bai！ 谢 谢！ 放映结束 感谢各位的批评指导！ 让我们共同进步 * 智能优化计算 常用选择方法 局部选择法（local sele