遗传算法(自学材料)培训讲学.ppt

遗传算法(自学材料) 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 遗传算法的搜索机制 适者生存(Survival of the Fittest) GA主要采用的进化规则是“适者生存” 较好的解保留，较差的解淘汰 遗传算法(GA) 基本遗传算法 基本遗传算法（Simple Genetic Algorithms，简称SGA）是一种统一的最基本的遗传算法，它只使用选择、交叉、变异这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。 SGA实例1：函数最值 SGA参数: 编码方式: 二进制码 e.g. 000000; 01101  13; 1111131 种群规模: 4 随机初始群体 “转盘赌”选择 一点杂交，二进制变异 求函数 f(x) = x2的最大值，x为自然数且0≤ x ≤31。 手工方式完成演示SGA过程 SGA实例1 max x2 : 选择操作 SGA实例1 max x2 : 交叉操作 SGA实例1 max x2 : 变异操作 SGA实例2 : 连续函数最值 求下列函数的最大值： SGA实例2 : 编码 高精度 编码 [x,y]  {0,1}L 必须可逆(一个表现型对应一个基因型) 解码算子：: {0,1}L  [x,y] 染色体长度L决定可行解的最大精度 长染色体(慢进化) SGA实例2 : 编码 设定求解精确到6位小数，因区间长度为2-(-1)=3，则需将区间分为3×106等份。因 2097152＝221 3X106≤222＝4194304。故编码的二进制串长L=22。 将一个二进制串(b21b20…b0)转化为10进制数： e.g. 0000000000000000000000  -1; 1111111111111111111111  2 1110000000111111000101  1.627 888 1.627888 = -1+3x(1110000000111111000101) 2 /(222-1) = -1+3x3674053/(222-1) SGA实例2 : 初始化种群、适应函数 随机初始化种群 适应函数 本实例目标函数在定义域内均大于0，且是求函数最大值，故直接引用目标函数作为适应函数： f(s) = f(x) 其中二进制串s对于变量x的值。 e.g. s1 =0000001110000000010000  x1= -0.958 973 适应值: f(s1) = f(x1) =1.078 878 s2=1110000000111111000101  x2= 1.627 888 适应值: f(s2) = f(x2) = 3.250 650 SGA实例2 :遗传操作 选择操作(“轮盘赌”选择) 交叉操作(单点交叉) 交叉前(父): s1=00000 | 01110000000010000 s2=11100 | 00000111111000101 交叉后(子): s’1=00000 | 00000111111000101 s’2=11100 | 01110000000010000 适应值: f(s’1) = f(-0.998 113) =1.940 865 f(s’2) = f(1.666 028) = 3.459 245 s’2的适应值比其双亲个体的适应值高。 SGA实例2 :遗传操作 变异操作 变异前(父): s2=1110000000111111000101 变异后(子): s’2=1110100000111111000101 适应值 f(s’2) = f(1.721 638) = 0.917 743 比 f(s2)小 变异前(父): s2=1110000000111111000101 变异后(子): s”2=1110000001111111000101 适应值 f(s”2) = f(1.630 81