人工智能第3章遗传算法38.pptxVIP

人 工 智 能 Artificial Intelligence (AI);3.4 遗传算法;遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程的一个数学仿真，属于进化计算中的一类方法。;串码：表示染色体或者个体 适应度函数：表示一个染色体的适应能力，其最大值或者最小值就是最优化问题的解;一、 遗传算法的基本机理 二、遗传算法的求解步骤 三、遗传算法的收敛性（略）;一、遗传算法的基本机理 1 编码与解码 2 适应度函数 3 遗传操作;1 编码与解码;编码：将问题解的结构转换成位串形式编码的过程 解码：将位串形式编码转化成问题的解的过程 染色体（个体）：位串形式编码;编码与解码方法： 二进制码方法 浮点数方法 符号方法 格雷码方法;二进制码方法;假设 x ?[A, B], 每一个部分的长度为;解码方法：;特点： 编码与解码简单 码串比较长 搜索空间是有限的，提高解的精度，必须加大码长 求解多个参数时，将所有的码拼接起来;符号方法：个体编码中的基因值只取代码含义的符号集;2 适应度函数;例：对于TSP问题，要求总路径长度为最小，适应度函数可以定义为;3 遗传操作;选择操作（复制操作）：根据适应度函数值所度量的个体的优劣程度决定此个体在下一代是被淘汰或是被遗。一般情况下，如果是求最大值，适应度函数值大的个体具有较大的生存机会。;交叉操作：选出两个个体作为父母个体，将两种的部分码值进行交换。;变异操作：改变数码串上的某一个位置的数码。;二、遗传算法的求解步骤;现在将遗传算法看成为一种现代的优化技术，但是不一定能找到问题的全局最优解。通过一定的手段，可以将误差控制在容许的范围内（以很大的概率找到全局最优解）。;特点： 对参数集合的编码进行进化，不是参数本身进行进化 从问题解的编码组（群体）开始，不是从单个解开始搜索 只利用适应度函数（目标函数），不需要导数等信息 只利用选择、交叉、变异等操作，不需要利用确定性规则进行随机操作;2 遗传算法的框图;基本思想;简单遗传算法的步骤： 初始化种群 计算种群中每一个个体的适应度函数值 根据与适应度相关联的规则确定进入下一轮的个体;按照某一个概率进行交叉操作 按照某一个概率进行变异操作 如果不满足终止条件，则转到(2)，否则继续 将种群中适应度最优的个体作为问题的解;开始; 算法可定义为一个8元组： ;例 用遗传算法求解优化问题; ① 参数编码 将整数 x? {0,1,…,31}作为参数，采用二进制进行编码： 　　　X=0—00000， … …x=31 —11111 ② 随机生成 例如: ① 01001； ② 11001； ③ 01000； ④ 10011。;(2)选择 根据“适者生存”的自然选择原理,从初始种群中选择生命力强的个体(适者)产生新的种群 ① 确定适应度函数 适应度函数取为非负函数,且适应度增大的方向对应于目标函数的优化方向 本例取适应度函数 fitness(X)=x2 ② 计算适应度和选择率 将初始种群的个体解码为X,并计算适应度f(X)及选择率f/∑,其中∑为适应度之和.;选择适应值大的串作为母本，使在下一代中有更多的机会繁殖其子孙。 要在四个种子个体中做选择，要求仍然得到四个染色体，可依据适应度概率比例制定如下规则： 低于0.125以下的染色体被淘汰； 在0.125～0.375之间的染色体被复制一个； 在0.375～0.625之间的染色体被复制两个； 在0.625～0.875之间的染色体被复制三个； 在0.875以上的染色体可复制四个。;2021/8/8;③ 随机选择适者个体 采用轮盘法，对初始种群进行选择，使得最优秀的个体获得最多的生存繁殖机会。;(3)交叉 将选择出的个体存入交配池中，用随机方法配对交叉，以产生新一代的个体 ① 随机选择配对；② 随机选择交叉点； ③ 采用单点交叉，产生新的种群;(4) 变异 在交叉过程中，可能丢失一些重要的遗传信息(特定位置的1与0 )，因而产生变异。为了获得新的遗传信息，则需引入适度的变异。 ;2021/8/8;9、有时候读书是一种巧妙地避开思考的方法。8月-218月-21Sunday, August 8, 2021 10、阅读一切好书如同和过去最杰出的人谈话。02:09:5402:09:5402:098/8/2021 2:09:54 AM 11、越是没有本领的就越加自命不凡。8月-2102:09:5402:09Aug-2108-Aug-21 12、越是无能的人，越喜欢挑剔别人的错儿