决策支持系统(DSS)：遗传算法Genetic Algorithm（GA）.ppt

5、遗传算法结果 计算结果表明： n个城市的最佳路径接近一个外圈无交叉的环路。 * * 例3、P151--3 六、遗传算法的特点 自组织、自适应和学习性（智能性） 传统的优化算法往往需要对具体问题进行实现全面了解，而遗传算法不需要事先描述问题的全部特性，可以用来解决复杂的非结构化问题，具有很强的鲁棒性。 以决策变量的编码作为运算对象 传统的优化算法往往直接利用决策变量的实际值本身进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象，从而可以很方便地引入和应用遗传操作算子。 遗传算法直接以目标函数值作为搜索信息 传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数，遗传算法就比较方便。 同时进行解空间的多点搜索 传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不断进化。这些是遗传算法所特有的一种隐含并行性。 使用随机搜索技术 遗传算法属于一种自适应随机搜索技术，其选择、交叉、变异等运算都是以一种概率的方式来进行的，从而增加了其搜索过程的灵活性。实践和理论都已证明了在一定条件下遗传算法总是以概率1收敛于问题的最优解。 简单、通用、容易操作 遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。 1、编码不规范及编码存在表示的不准确性; 2、单一的遗传编码不能全面地将优化问题的约束表示出来; 3、是否能保证收敛到最优解. 七、遗传算法的不足 1、遗传算法适合数值求解那些有多参数、多变量、多目标、多区域的NP-hard问题; 2、遗传算法在求解很多优化问题时，不需要有很强的技巧和对问题有非常深入的了解; 3、遗传算法求解有较好的兼容性。 八、遗传算法的优越性 1、如何知道对某一特定问题使用遗传算法会得到优化解呢？ 2、遗传算法的工作机理如何呢？ 3、遗传算法如何改善其搜索能力呢？ Problem END 遗传算法基本要素 编码：固定长度的二进制符号串 初始种群的产生：若干初始解组成的初始群体 适值度函数的设定：区分群中个体好坏的标准 遗传算子：选择运算；交叉运算；变异运算 终止条件：进化结束的条件。如最大进化代 数或最优解所需满足的精度。 运行参数：群体规模、交叉概率、变异概率 五、SGA结构 标准遗传算法(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。 又叫基本遗传算法或简单遗传算法。 构成要素 ① 染色体编码方法。标准遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集{0，1}所组成的。初始群体中各个个体的基因值可用均匀分布的随机数来生成。 ②个体适应度评价。标准遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率，这里要求所有个体的适应度必须为正数或零。 ③遗传算子。标准遗传算法使用下述三种遗传算子：选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子或均匀变异算子。 ④运行参数。标准遗传算法有下述4个运行参数需要提前设定： 群体大小M，即群体中所含个体数目，一般取为20~100； 遗传运算的终止进化代数T，一般取为100~500； 交叉概率Pc，一般取为0.4~0.99； 变异概率Pm，一般取为0.0001~0.1。 ⑤形式化定义 算法可定义为一个8元组： C---个体的编码方法； E---个体适应度评价函数； P0---初始群体；M---群体大小； Φ---选择算子； Γ---交叉算子； ---变异算子 T---遗传运算终止条件。 * * 　　例　利用遗传算法求解区间［0,31］上的二次函数y=x2的最大值。　　 y=x2 31 X Y 例1 用遗传算法求解优化问题 分析 　原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。 * * * * 解 　　(1) 设定种群规模,编码染色体，产生初始种群。 将种群