人工智能课件.pptVIP

* * 第5章 计算智能(2):进化计算 人工生命 5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命 * * 第一页，共三十四页。 第5章 计算智能(2):进化计算 人工生命 5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命 * * 第二页，共三十四页。 第5章 计算智能(2):进化计算 人工生命 5.1 遗传算法 5.2 进化策略 5.3 进化编程 5.4 人工生命 * * 第三页，共三十四页。 5.1 遗传算法 遗传算法是为那些难以找到传统数学模型的难题找出一个解决方法。 遗传算法是仿真生物遗传学和自然选择机理，通过人工方式所构造的一类搜索算法，从某种程度上说遗传算法是对生物进化过程进行的数学方式仿真。 霍兰德(Holland)在他的著作《Adaptation in Natural and Artificial Systems》首次提出遗传算法 。 * * 第四页，共三十四页。 基本概念 种群：初始给定的多个解的集合，它是问题解空间的一个子集。 个体：种群中的单个元素，通常由一个用于描述其基本遗传结构的数据结构来表示，如用0，1组成的长度为l的串来表示个体。 染色体：对个体进行编码后得到的编码串。染色体中的每一位成为基因，若干基因构成的有效信息段称为基因组。 适应度函数：用来对种群中个体的适应型进行度量的函数。 * * 第五页，共三十四页。 5.1 遗传算法?基本机理 我们以霍兰德(Holland)的遗传算法?通常被称为“简单遗传算法”(简称SGA) 来分析遗传算法的结构和机理 。 结合推销员旅行问题(货郎担问题(Travelling Salesman Problem，简记为TSP))加以说明：设有n个城市，城市i和城市j之间的距离为d(i，j)， i, j=1,...,n．TSP问题是要找遍访每个域市恰好一次的一条回路，且其路径总长度为最短。 * * 第六页，共三十四页。 5.1 遗传算法?基本机理 1.编码与解码 我们可以把复杂的问题结构化为简单的位串形式编码表示，这个过程叫编码；而相反将位串形式编码表示变换为原问题结构的过程叫解码。我们把位串形式编码表示叫染色体，有时也叫个体。 对TSP可以按一条回路城市的次序进行编码，比如码串134567829表示从城市1 开始，依次是城市3,4,5,6,7,8,2,9，最后回到城市1。一般情况是从城市w1开始，依次经过城市w2,……，wn，最后回到城市w1，我们就有如下编码表示：　　　　　　w1 w2 …… wn 　　由于是回路，记wn+1= w1。它其实是1，……，n的一个循环排列。要注意w1,w2 ,……，wn是互不相同的。 * * 第七页，共三十四页。 5.1 遗传算法?基本机理 2.适应度函数 为了体现染色体的适应能力，引入了对问题中的每一个染色体都能进行度量的函数，叫适应度函数。通过适应度函数来决定染色体的优、劣程度，它体现了自然进化中的优胜劣汰原则。对优化问题，适应度函数就是目标函数。TSP的目标是路径总长度为最短，路径总长度的倒数就可以为TSP的适应度函数： 请注意其中wn+1= w1。适应度函数要有效反映每一个染色体与问题的最优解染色体之间的差距，一个染色体与问题的最优解染色体之间的差距小，则对应的适应度函数值之差就小，否则就大。适应度函数的取值大小与求解问题对象的意义有很大的关系。 * * 第八页，共三十四页。 5.1 遗传算法?基本机理 遗传操作 简单遗传算法的遗传操作主要有三种:选择、交叉、变异。 选择操作也叫复制操作，根据个体的适应度函数值所度量的优、劣程度决定它在下一代是被淘汰还是被遗传。一般地说，选择将使适应度较大(优良)个体有较大的存在机会，而适应度较小（低劣）的个体继续存在的机会也较小。简单遗传算法采用赌轮选择机制，令Σfi表示群体的适应度值之总和，fi表示种群中第i个染色体的适应度值，它产生后代的能力正好为其适应度值所占份额fi／Σfi。 * * 第九页，共三十四页。 5.1 遗传算法?基本机理 交叉操作的简单方式是将被选择出的两个个体P1和P2作为父母个体，将两者的部分码值进行交换。假设有如下八位长的二个体： 产生一个在1到7之间的随机数c，假如现在产生的是3，将P1和P2的低三位交换：P1的高五位与P2的低三位组成数这就是P1和P2的一个后代Q1个体；P2的高五位与P1的低三位组成数这就是P1和P2的一个后代Q2个体。其交换过程如下图所示： * * 第十页，共三十四页。 5.1 遗传算法?基本机理 变异操作的简单方式是改变数码串的