遗传算法演示文稿修改.pptVIP

遗传算法的拓展 倒位 倒位是指一个染色体某区段正常排列顺序发生180? 的颠倒，造成染色体内的DNA序列重新排列。 S = 1 1 0 1 0 0 1 0 S= 1 1 0 0 1 0 1 0 萌芽期 成长期 发展期 遗传算法 遗传算法发展历史 遗传算法(Genetic Algorithm,简称GA)起源于对生物系统所进行的计算机模拟研究. 美国Michigan大学的Holland教授及其学生受到生物模拟技术的启发,创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术—遗传算法. 1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体的编码方法。Holland教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本定理——模式定理(Schcma Theorem)，并于1975年出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptation in Natural and Artificial Systems》。 20世纪80年代，Holland教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念。1975年DeJong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，建立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。1989年Goldberg出版了专著，系统地总结了遗传算法的主要研究成果，全面完整地论述了遗传算法的基本原理及其应用。 1991年，Davis出版了《Handbook of Genetic Algorithms》一书，介绍了遗传算法在科学计算、工程技术和社会经济中的大量实例。 1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程(Genetic Programming ，简称GP)的概念。 从遗传算法的整个发展过程来看，20世纪70年代是兴起阶段，20世纪80年代是发展阶段，20世纪90年代是高潮阶段。遗传算法作为一种实用、高效、鲁棒性强的优化技术，发展极为迅速，已引起国内外学者的高度重视。 遗传算法的应用领域 （1）组合优化 （2）函数优化 （3）自动控制 （4）生产调度问题 （5）图像处理 （6）机器人学 （7）人工生命 （8）数据挖掘 （9）机器学习 遗传算法基本思路 基于模仿生物界遗传学的遗传过程。把问题的参数用基因代表，问题的解用染色体代表，从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代。后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程。群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。 遗传算法中的生物遗传学概念 序号 遗传学概念 遗传算法概念 数学概念 1 个体 要处理的基本对象、结构 也就是可行解 2 群体 个体的集合 被选定的一组可行解 3 染色体 个体的表现形式 可行解的编码 4 基因 染色体中的元素 编码中的元素 5 基因位 某一基因在染色体中的位置 元素在编码中的位置 6 适应值 个体对于环境的适应程度，或在环境压力下的生存能力 可行解所对应的适应函数值 7 种群 被选定的一组染色体或个体 根据入选概率定出的一组可行解 8 选择 从群体中选择优胜的个体，淘汰劣质个体的操作 保留或复制适应值大的可行解，去掉小的可行解 9 交叉 一组染色体上对应基因段的交换 根据交叉原则产生的一组新解 10 交叉概率 染色体对应基因段交换的概率（可能性大小） 闭区间[0,1]上的一个值，一般为0.65~0.90 11 变异 染色体水平上基因变化 编码的某些元素被改变 12 变异概率 染色体上基因变化的概率（可能性大小） 开区间(0,1)内的一个值, 一般为0.001~0.01 13 进化、适者生存 个体进行优胜劣汰的进化，一代又一代地优化 目标函数取到最大值，最优的可行解 遗传算法的步骤和实现方法 （1)选择编码策略，把参数集合（可行解集合）转换染色体结构空间； （2)定义适应函数，便于计算适应值； （3)确定遗传策略，包括选择群体大小，选择、交叉、变异方法以及确定交叉概率、变异概率等遗传参数； （4)随机产生初始化群体； （5)计算群体中的个体或染色体解码后的适应值； （6)按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体； （7)判断群体性能是否满足某一指标、或者是否已完成预定的迭代次数，不满足则返回第五步、或者修改遗传