遗传算法PPT详解讲义课件.pptVIP

TSP的GA过程 从N个随机起点开始产生N条路径，N为种群的规模; 利用最优方法搜索每条路径的局部最优解; 选择交叉对使在平均性能之上的个体得到更多的子代; 交叉和变异; 搜索每条路径得到其极小解，如果不收敛，则回到第3步；否则，停止。 算例2:TSP 城市数：40 算例2:TSP 城市数：100 思考 智能优化计算 用遗传算法解决下面函数的极小值问题： Algorithms in Mathematical Modeling * * 选择(Selection) 轮盘上的片分配给群体的染色体，使得每一个片的大小与对于染色体的适应值成比例 从群体中选择一个染色体可视为旋转一个轮盘，当轮盘停止时，指针所指的片对于的染色体就时要选的染色体。 模拟“轮盘赌” 算法： r=random(0, 1)，s=0，i=0； 如果s≥r，则转(4)； s=s+p(xi)，i=i+1, 转(2) xi即为被选中的染色体，输出I 结束 选择(Selection) 其他选择法： 随机遍历抽样(Stochastic universal sampling) 局部选择(Local selection) 截断选择(Truncation selection) 竞标赛选择(Tournament selection) 特点： 选择操作得到的新的群体称为交配池，交配池是当前代和下一代之间的中间群体，其规模为初始群体规模。选择操作的作用效果是提高了群体的平均适应值(低适应值个体趋于淘汰，高适应值个体趋于选择)，但这也损失了群体的多样性。选择操作没有产生新的个体，群体中最好个体的适应值不会改变。 交叉(crossover, Recombination) 遗传交叉(杂交、交配、有性重组)操作发生在两个染色体之间，由两个被称之为双亲的父代染色体，经杂交以后，产生两个具有双亲的部分基因的新的染色体，从而检测搜索空间中新的点。 选择(复制)操作每次作用在一个染色体上，而交叉操作每次作用在从交配池中随机选取的两个个体上(交叉概率Pc)。 交叉产生两个子染色体，他们与其父代不同，且彼此不同, 每个子染色体都带有双亲染色体的遗传基因。 单点交叉(1-point crossover) 在双亲的父代染色体中随机产生一个交叉点位置 在交叉点位置分离双亲染色体 互换交叉点位置右边的基因码产生两个子代染色体 交叉概率Pc 一般范围为(60%, 90%)，平均约80% 1 1 1 1 1 1 1 1 父代 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 子代 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 交叉点位置 交叉(crossover, Recombination) 单点交叉操作可以产生与父代染色体完全不同的子代染色体；它不会改变父代染色体中相同的基因。但当双亲染色体相同时，交叉操作是不起作用的。 假如交叉概率Pc ＝50%,则交配池中50%的染色体(一半染色体) 将进行交叉操作，余下的50%的染色体进行选择(复制)操作。 GA利用选择和交叉操作可以产生具有更高平均适应值和更好染色体的群体 变异(Mutation) 以变异概率Pm改变染色体的某一个基因,当以二进制编码时，变异的基因由0变成1，或者由1变成0。 变异概率Pm 一般介于1/种群规模与1/染色体长度之间，平均约1-2% 1 1 0 1 0 1 0 0 父代 0 1 0 1 0 1 0 1 子代 变异基因 变异基因 变异(Mutation) 比起选择和交叉操作，变异操作是GA中的次要操作，但它在恢复群体中失去的多样性方面具有潜在的作用。 在GA执行的开始阶段，染色体中一个特定位上的值1可能与好的性 能紧密联系，即搜索空间中某些初始染色体在那个位上的值1可能一 致产生高的适应值。因为越高的适应值与染色体中那个位上的值1相联 系，选择操作就越会使群体的遗传多样性损失。 等到达一定程度时，值0会从整个群体中那个位上消失，然而全局最 优解可能在染色体中那个位上为0。如果搜索范围缩小到实际包含全局 最优解的那部分搜索空间，在那个位上的值0就可能正好是到达全局最 优解所需要的。 适应函数(Fitness Function) GA在搜索中不依靠外部信息，仅以适应函数为依据，利用群体中每个染色体(个体)的适应值来进行搜索。以染色体适应值的大小来确定该染色体被遗传到下一代群体中的概率。染色体适应值越大，该染色体被遗传到下一代的概率也越大；反之，染色体的适应值越小，该染色体被遗传到下一代的概率也越小。因此适应函数的选取至关重要，直接影响到GA的收敛速度以及能否找到最优解。 群体中的每个染色体都需要计算适应值 适应函数一般由