遗传算法2017-7教学文稿.pptVIP

遗 传 算 法;数学建模一般的步骤和方法; 生物在自然界中的生存繁衍，显示出了其对自然环境的自适应能力。受其启发，学者致力于对生物各种生存特性的机理研究和行为进行模拟。 遗传算法(Genetic Algorithms，GA)就是这种生物行为的计算机模拟中令人瞩目的重要成果(人工免疫/人工神经网络)。 基于对生物遗传和进化过程的计算机模拟，遗传算法使得各种人工系统具有优良的自适应能力和优化能力；它是模拟达尔文生物进化论的自然选择和孟德尔遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 遗传算法所借鉴的生物学基础就是生物的遗传和进化。; 最早由美国密西根大学的J.Holland教授提出，起源于60年代对自然和人工自适应系统的研究 1967年，Bagley发表了关于遗传算法应用的论文，在其论文中首次使用“遗传算法（ Genetic Algorithm）”一词 70年代 De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验 在一系列研究工作的基础上，80年代由Goldberg进行归纳总结，形成了遗传算法的基本框架 ; 1. 复制 生物的主要遗传方式是复制。遗传过程中，父代的遗传物质DNA被复制到子代。即细胞在分裂时，遗传物质 DNA 通过复制而转移到新生的细胞中，新细胞就继承了旧细胞的基因。 2. 交叉 有性生殖生物在繁殖下一代时，两个同源染色体之间通过交叉(Crossover) 而重组，即在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合而形成两个新的染色体。 3. 变异 在进行细胞复制时，虽然概率很小，仅仅有可能产生某些复制差错，从而使 DNA 发生某种变异 (Mutation)，产生出新的染色体。这些新的染色体表现出新的性状。 如此这般，遗传基因(或染色体)在遗传的过程中由于各种各样的原因而发生变化。;遗传算法的进化形式和单位;遗传算法的简单原理;袋鼠与珠穆朗玛峰的假想实验;;对求函数最大值的优化问题（或最小值），可描述为下述数学规划模型： max f(X) (1-1) s.t. X?R (1-2) R?U (1-3) 其中： X＝[x1,x2,…,xn]T为决策变量， f(X)为目标函数， 式(1-2)、(1-3)为约束条件， U是基本空间， R是U的一个子集。 满足约束条件的解X称为可行解； 集合R表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。 ;遗传算法在函数优化中的应用;求解过程;解的编码;求解过程;;;;;;;;;;;;　　步1 在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc 和变异率Pm，代数T；;　　 步7 按变异率Pm所决定的变异次数m，从S2中随机确定m个染色体，分别进行变异操作，并用产生的新染色体代替原染色体，得群体S3； 　　步8 将群体S3作为新一代种群，即用S3代替S，t = t+1，转步3。 ;基本遗传算法的运行参数;适应度收敛曲线;遗传算法工具箱;gatbx工具箱版本查看;遗传算法与直接搜索工具箱GADS;Matlab自带遗传算法工具箱GADS;Rastrigin函数;命令行方式调用遗传算法函数ga;遗传算法求解函数ga的一般用法;遗传算法求解函数ga的一般用法;函数ga处理自变量范围问题;遗传算法函数ga——带约束条件;函数ga——带线性约束条件;函数ga——带线性约束条件;函数ga——带线性约束条件;函数ga——带非线性约束条件;function [budengshi,dengshi]=yueshu(x);%非线性约束 budengshi=[4*x(1)^2+2*x(2)^2+x(3)-46; x(1)+x(1)^2+x(2)^2-5*x(3)-34; 3*x(1)+2*x(1)^2+x(2)+3*x(3)-67]; dengshi=x(1)+x(3)^2-13;;A=[-2 -4 -6; -1 0 0; 0 1 0]; % A为AX=b的系数矩阵 b=[