第七讲遗传算法.pptVIP

第七章 遗传算法 一、遗传算法概述 二、遗传学相关概念 三、简单遗传算法 四、遗传算法应用举例 五、遗传算法的理论基础 一、遗传算法概述 一、遗传算法概述 一、遗传算法概述 遗传算法不是直接作用在参变量集上而是利用参变量集的某种编码 遗传算法不是从单个点，而是从一个点的群体开始搜索； 遗传算法利用适应值信息，无须导数或其它辅助信息； 遗传算法利用概率转移规则，而非确定性规则。 一、遗传算法概述 遗传算法的优越性主要表现在：首先，它在搜索过程中不容易陷入局部最优，即使所定义的适应函数是不连续的、非规则的或有噪声的情况下，它也能以很大的概率找到整体最优解；其次，由于它固有的并行性，遗传算法非常适用于大规模并行计算机。 一、遗传算法概述 应用 二、遗传学相关概念 个体与种群 ● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。 ● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。 二、遗传学相关概念 二、遗传学相关概念 二、遗传学相关概念 二、遗传学相关概念 二、遗传学相关概念 三、简单遗传算法 三、简单遗传算法 三、简单遗传算法 三、简单遗传算法 变异：就是改变染色体某个(些)位上的基因。 例如, 设染色体 s将其第三位上的0变为1, 即 s s′。 s′也可以看做是原染色体s的子代染色体。 三、简单遗传算法 三、简单遗传算法 遗传算法具体步骤 三、简单遗传算法 遗传算法具体步骤 分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 。 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361 再计算种群S1中各个体的选择概率。 于是，得到第二代种群S2： s1=11001（25）, s2=01100（12） s3=11011（27）, s4=10000（16） 课堂练习 设有6个个体，分别具有满足度值5，10，15，25，50，100.试用指针轮盘法计算每个个体的复制次数。 五、遗传算法的理论基础 复制 基因交换 基因突变 五、遗传算法的理论基础 若用二进制字母表进行编码，一个长度为n的个体表达了2n个纲。对于有m个个体的人口，纲的总数为 五、遗传算法的理论基础 复制 假设一个纲S在t时刻人口中有n(S,t)个代表个体。S的一个代表个体被复制到下一代的概率和期望次数分别为f(Si)/F和f(Si)／f(P), 纲在t+1时刻人口中有n(s,t+1)个代表个体 五、遗传算法的理论基础 五、遗传算法的理论基础 五、遗传算法的理论基础 五、遗传算法的理论基础 遗传算法的基本定理—纲定理 作业： 某个人口为4的遗传搜索过程中第i代有如下的个体和满足度值 # 个体 满足度 10001 20 11100 10 00011 5 01110 15 设个体交叉概率为1.0（1与3，2与4交叉）,突变概率为0.001，试计算确定第i＋1代的个体。 2n≦NS≦m2n n(S,t+1)=n(S,t)f(S)/f(P) =n(S,0)(1+k)n+1 f(Si)为纲S的一个代表个体的满足度函数值； F为人口中个体满足度函数值的总和； F(S)为纲S在人口中所有代表个体的满足度函数值的平均值； f(P)为人口中所有个体的满足度函数值