人工智能5GA算法61.pptVIP

遗传算法归纳为五个基本组成部份 ? 方案表示 （编码和解码） ? 群体初始化 ? 适应度函数 ? 遗传操作 ? 算法参数 : 种群规模、 P c 、 P m 5.1 遗传算法 简单遗传算法（ GA ）的基本参数 ①种群规模 P: 参与进化的染色体总数 . ②代沟 G: 二代之间不相同的染色体数目 , 无重叠 G = 1; 有重叠 0 G 1 ③选择方法 : 转轮法 , 精英选择法 , 竞争法 . ④交叉率 : P c 一般为 60~100%. ⑤变异率 : P m 一般为 0.1~10% 实验 : 种群大小 popsize=10; 变异概率取 Pm=0.01 ，交叉概率取 Pc=0.2; 选择方法：转轮法 举例 ： 14 步骤 1 ）编码：确定二进制的位数；组成个体（染色体） 位的二进制的值， 的第 是相应于 。 和 分别为 和 的最大值和最小值。 是 和 或 是 ， 精度 二进制位数取决于运算 n q b q q q q q y x q q b q q q q q n N n n n n n 0 8 , 2 1 2 1 2 min max min max 1 0 min min max min max ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 步骤 2 ）选择种群数 P 和初始个体，计算适应度值， P = 20 ； 步骤 3 ）确定选择方法；交换率 P C ；变异率 P m 。 选择方法用竞争法； P C = 0.7, P m = 0.05 计算结果 ：① 8 代后， f(x,y) =0.998757, ② 41 代后， f(x,y) =1.00000, x =3.000290, y =2.999924. ③ 160 次适应度计算，达到最优值。 5.2 进化策略 ? 进化策略 (Evolution Strategies ， ES) 是一 类模仿自然进化原理以求解参数优化问 题的算法。 ? 它是由雷切伯格（ Rechenberg ）、施韦 费尔（ Schwefel ）和彼得 · 比纳特（ Peter Bienert ）于 1964 年提出的，并在德国共 同建立的。 5.2.1 进化策略的算法模型 ? 寻求与函数极值关联的实 n 维矢量 x 。 ? 随机选择父矢量的初始群体。 ? 父矢量 x i , i =1,…, p 产生子代矢量 x i 。 ? 对误差 ( i =1,…, p ) 排序以选择和决定保 持哪些矢量。 ? 继续产生新的试验数据以及选择最小 误差矢量。 5.2 进化策略 5.2.2 进化策略和遗传算法的区别 ? 进化策略和遗传算法有着很强的相似性， 它们都是一类模仿自然进化原理的算法。 ? 两者也存在着区别，其中最基本的区别是 它们的研究领域不同。 – 进化策略是一种数值优化的方法，它采用一 个具有自适应步长和倾角的特定爬山方法。 – 遗传算法从广义上说是一种自适应搜索技术。 5.2 进化策略 5.3 进化编程 ? 进化编程 (Evolutionary Programming ， EP) ，又称为进化规划（ Evolutionary Planning ），是由福格尔（ Fogel ）在 1962 年提出的一种模仿人类智能的方法。 ? 进化编程根据正确预测的符号数来度量适 应值。通过变异，为父代群体中的每个机 器状态产生一个子代。父代和子代中最好 的部分被选择生存下来。 ? 它的提出是受自然生物进化机制的启发。 第 5 章 计算智能 (2) 进化计算 人工生命 ? 进化计算包括： – 遗传算法 (genetic algorithms ， GA) – 进化策略 (evolution strategies) – 进化编程 (evolutionary programming) – 遗传编程 (genetic programming) ? 人类不满足于模仿生物进化行为，希望 能够建立具有自然生命特征的人造生命 和人造生命系统。 ? 人工生命是人工智能和计算智能的一个 新的研究热点。 5.1 遗