遗传算法岭师吴旭明.pptVIP

下载本文档

1
0
约6.34千字
约 34页
2019-09-23 发布于湖北
举报
版权申诉

遗传算法岭师吴旭明.ppt

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏机器学习第9章遗传算法 2003.12.18 * 概述遗传算法是一种大致基于模拟进化的学习方法假设通常被描述为二进制位串，也可以是符号表达式或计算机程序搜索合适的假设从若干初始假设的群体或集合开始当前群体的成员通过模拟生物进化的方式来产生下一代群体，比如随机变异和交叉每一步，根据给定的适应度评估当前群体中的假设，而后使用概率方法选出适应度最高的假设作为产生下一代的种子遗传算法已被成功用于多种学习任务和最优化问题中，比如学习机器人控制的规则集和优化人工神经网络的拓扑结构和学习参数本章主要介绍了基于位串描述假设的遗传算法和基于计算机程序描述假设的遗传编程 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 动机遗传算法（GA）是一种受生物进化启发的学习方法，它不再是从一般到特殊或从简单到复杂地搜索假设，而是通过变异和重组当前已知的最好假设来生成后续的假设每一步，更新被称为当前群体的一组假设，方法是使用当前适应度最高的假设的后代替代群体的某个部分这个过程形成了假设的生成测试的柱状搜索，其中若干个最佳当前假设的变体最有可能在下一步被考虑 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 动机（2）遗传算法的普及和发展得益于下面的因素在生物系统中，进化被认为是一种成功的自适应方法，具有很好的健壮性遗传算法搜索的假设空间中，假设的各个部分相互作用，每一部分对总的假设适应度的影响难以建模遗传算法易于并行化本章内容安排描述了遗传算法，举例演示了它的用法，分析了它搜索的空间的特性描述了遗传算法的一个变体：遗传编程，这个方法中，整个计算机程序向着某个适应度准则进化介绍了一些有关生物进化的课题（遗传算法和遗传编程是进化计算领域中的两种普遍方法），比如鲍德温效应，它描述了个体的学习能力与整个群体进化速度之间的相互作用 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 遗传算法遗传算法研究的问题是搜索候选假设空间并确定最佳假设最佳假设被定义为使适应度最优的假设适应度是为当前问题预先定义的数字度量，比如：如果学习任务是在给定一个未知函数的输入输出训练样例后逼近这个函数，适应度可被定义为假设在训练数据上的精度如果是学习下国际象棋的策略，适应度可被定义为该个体在当前群体中与其他个体对弈的获胜率 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 遗传算法（2）遗传算法具有以下的共同结构：算法迭代更新一个假设池，这个假设池称为群体在每一次迭代中，根据适应度评估群体中的所有成员，然后用概率方法选取适应度最高的个体产生新一代群体在被选中的个体中，一部分保持原样地进入下一代群体，其他被用作产生后代个体的基础，其中应用交叉和变异这样的遗传方法 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 表9-1 遗传算法原型 GA(Fitness, Fitness_threshold, p, r, m) Fitness：适应度评分函数 Fitness_threshold：指定终止判据的阈值 p：群体中包含的假设数量 r：每一步中通过交叉取代群体成员的比例 m：变异率初始化群体：P?随机产生的p个假设评估：对于P中每个假设h，计算Fitness(h) 当 Fitness_threshold，产生新一代PS，做：选择：用概率方法选择P的(1-r)p个成员加入PS，概率公式是交叉：按概率从P中选择rp/2对假设，对于每对假设h1,h2，应用交叉算子产生两个后代，把所有的后代加入PS 变异：使用均匀的概率从PS中选择m%的成员，应用变异算子更新：P?PS 评估：对于P中每个h计算Fitness(h) 从P中返回适应度最高的假设 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 遗传算法（3）算法的每一次迭代以3种方式产生新一代群体直接从当前群体中选择在选中的个体中进行交叉操作在新群体上进行变异操作遗传算法执行一种随机的、并行柱状的搜索，根据适应度函数发现好的假设 2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 * 表示假设遗传算法中的假设常常被表示成二进制位串，这便于用变异和交叉遗传算子来操作把if-then规则编码成位串首先使用位串描述单个属性的