运筹学与最优化MATLAB编程第13章遗传算法.pptVIP

(7)人工生命。 人工生命是用计算机、机械等人工媒体模拟或构造出的具有自然生物系统特有行为的人造系统。自组织能力和自学习能力是人工生命的两大重要特征。人工生命与遗传算法有着密切的关系，基于遗传算法的进化模型是研究人工生命现象的重要理论基础。 (8)遗传编程。 Koza发展了遗传编程的概念，他使用了以LISP语言所表示的编码方法，基于对一种树形结构所进行的遗传操作来自动生成计算机程序。 (9)机器学习。 基于遗传算法的机器学习，在很多领域中都得到了应用。例如基于遗传算法的机器学习可用来调整人工神经网络的连接权，也可以用于人工神经网络的网络结构优化设计。 13.1.5　基本遗传算法 1.本遗传算法的构成要素2.基本遗传算法的实现3.遗传算法的应用步骤 1.本遗传算法的构成要素 (1)染色体编码方法。 (2)个体适应度评价。 (3)遗传算子。 (4)基本遗传算法的运行参数。 (5)基本遗传算法的形式化定义。 2.基本遗传算法的实现 在遗传算法中，以个体适应度的大小来确定该个体被遗传到下一代群体中的概率。个体适应度越大，该个体被遗传到下一代的概率也越大；反之，个体的适应度越小，该个体被遗传到下一代的概率也越小。基本遗传算法使用比例选择算子来确定群体中各个个体遗传到下一代群体中的数量。为正确计算不同情况下各个个体的遗传概率，要求所有个体的适应度必须为正数或零，不能是负数。 3.遗传算法的应用步骤 (1)确定决策变量及其各种约束条件。 (2)建立优化模型。 (3)确定表示可行解的染色体编码方法。 (4)确定解码方法。 (5)确定个体适应度的量化评价方法。 (6)设计遗传算子。 13.1.6　遗传算法的模式定理 1.模式与模式空间2.模式生存模型3.模式定理 1.模式与模式空间 图　13-1 2.模式生存模型 3.模式定理 通过以上关于三个遗传算子对生存模式数量的影响分析，可以得出如下“模式定理”：在选择、交叉、变异算子的作用下，那些低阶、定义长度短、超过群体平均适应值的模式的生存数量，将随着迭代次数的增加以指数规律增长。 这就是由Holland提出的模式定理，称之为遗传算法进化动力学的基本原理。 13.2　Genetic Algorithm Toolbox 13.2.1　函数概述13.2.2　函数使用说明及示例13.2.3　函数参数设置13.2.4　遗传算法M文件自动生成 13.2.1　函数概述 图　13-2 13.2.2　函数使用说明及示例 (1)编写目标函数GAobjfun1.m(2)约束函数GaConfun.m(3)在MATLAB的命令窗口(Command Window)输入gatool调用Genetic Algorithm Toolbox(见图13-3)。(4)输入目标函数与约束条件(见图13-4)(5)迭代过程函数图(见图13-5)(6)算法迭代过程控制及计算结果(见图13-7) 第13章　遗传算法 13.1　遗传算法概要13.2　Genetic Algorithm Toolbox 13.1　遗传算法概要 13.1.1　遗传算法模型13.1.2　遗传算法的特点13.1.3　遗传算法的发展13.1.4　遗传算法的应用13.1.5　基本遗传算法13.1.6　遗传算法的模式定理 13.1.1　遗传算法模型 (1)选择(Selection):根据各个个体的适应度，按照一定的规则或方法，从第t代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t+1)中。(2)交叉(Crossover):将群体P(t)内的各个个体随机搭配成对，对每一个个体，以某个概率(称为交叉概率，Crossover Rate)交换它们之间的部分染色体。(3)变异(Mutation):对群体P(t)中的每一个个体，以某一概率(称为变异概率，Mutation Rate)改变某一个或一些基因座上基因值为其他的等位基因。 13.1.2　遗传算法的特点 (1)遗传算法以决策变量的编码作为运算对象。(2)遗传算法直接以目标函数值作为搜索信息。(3)遗传算法同时进行解空间的多点搜索。(4)遗传算法使用概率搜索技术。 13.1.3　遗传算法的发展 20世纪60年代，美国密植安大学的Holland教授及其学生们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计算优化的自适应概率优化技术——遗传算法。下面是在遗传算法的发展进程中一些关键人物所作出的一些主要贡献。 1. J.H.Holland 20世纪60年代，Holland认识到了生物的遗传和自然进化现象与人工自适应系统的相似关系，运用生物遗传和进化的思想来研究自然与人工自适应系统的生成以及它们与环境的关系，提出在研究和设计人工自适应系统时，可以借鉴生物遗传