人工智能技术及应用 课件 第3章 遗传算法.ppt

§3.3 遗传算法实例 3.3.2 基于遗传算法的求解函数最值问题 §3.3 遗传算法实例 3.3.2 基于遗传算法的求解函数最值问题 §3.3 遗传算法实例 3.3.2 基于遗传算法的求解函数最值问题 结果分析： 利用遗传算法求得的最优解是，当x=1.4355时，函数取得最大值ymax=187.1144。算法求解过程中的适应度变化曲线如图3-8所示。适应度变换曲线在一定程度上反映了算法的收敛效果，若在进化过程中种群的平均适应度与最大适应度在曲线上有相互趋同的形态，则表示算法收敛效果较好，未出现震荡现象，也表明最大适应度个体在连续若干代均未变化，种群已经成熟，所得的解是可以接受的。 §3.3 遗传算法实例 3.3.3 基于遗传算法的路径寻优问题 §3.2 遗传算法的改进 3.2.2 染色体编码方案的改进 实数编码的合法性修复包括凸组合交叉修复和变异修复两种。使用实数编码的染色体在完成交叉操作后，在解码时易出现超出阈值的现象。这里将利用凸集理论，将用于父代交叉操作的两个染色体看作是两个点，则形成的子代基因只能位于两点所组成的线段上。但这种方式会出现“基因汇聚”的现象，导致基因分散性不好，而丢失部分基因，无法满足基因的多样性原则。变异修复有位值变异和梯度变异两种。位值变异是在随机选取的染色体基因位上添加一个变异步长；梯度变异是把某个染色体看作为一点，然后求取目标函数在该点的梯度值，将染色体本身加上该点的正梯度与[0,1]内某个随机数的乘积即描述为最大化问题；将染色体本身加上该点的负梯度与[0,1]内某个随机数的乘积即描述为最小化问题。 §3.2 遗传算法的改进 3.2.3 适应度函数选取的改进 针对适应度函数选取的改进，主要采用函数标定技术。函数标定的目的，一方面将目标函数映射为适应度函数，直接用适应度函数的取值评价群体中的个体优劣；另一方面在选择操作过程中，将种群内好、坏个体被选中的概率差值定义为选择压力，若选择压力小，则遗传算法选择最优个体的能力就较弱，通过标定，可对选择压力值进行调节，以提高算法的选优能力，也改善了算法局部搜索与广域搜索的能力。适应度函数的标定方法有线性标定、动态线性标定、幂律标定、对数标定和指数标定五种。 §3.2 遗传算法的改进 3.2.3 适应度函数选取的改进 §3.2 遗传算法的改进 3.2.3 适应度函数选取的改进 §3.2 遗传算法的改进 3.2.3 适应度函数选取的改进 §3.2 遗传算法的改进 3.2.3 适应度函数选取的改进 §3.2 遗传算法的改进 3.2.4 选择操作的改进 在遗传操作中，选择过程通常是最先进行的，易出现遗传操作后子代个体较差的现象，且无法加以纠正。现将选择过程放在最后，扩大了样本空间，可供选择的个体也相应增多了。选择策略一般有三种方式，分别为截断选择、顺序选择和正比选择。 §3.2 遗传算法的改进 3.2.5 迭代终止条件的改进 §3.2 遗传算法的改进 3.2.6 自适应遗传算法 §3.2 遗传算法的改进 3.2.6 自适应遗传算法 §3.2 遗传算法的改进 3.2.6 自适应遗传算法 对应的函数曲线图如图3-6和3-7所示。 §3.2 遗传算法的改进 3.2.6 自适应遗传算法 §3.2 遗传算法的改进 3.2.7 CHC算法 跨时代精英选择异物种重组大变异算法是由Eshelman于1991年提出的，是对传统的选择、交叉、变异的遗传操作过程进行改进。 选择操作过程中，将上一代种群与通过新的交叉方法产生的种群混合在一起，然后在该混合种群中选择最优的个体。这样一来，即使交叉操作产生较多的差等个体，但由于原种群中保留了大多数的个体，故不会引起个体的评价值降低，可更好地保持种群的多样性。 交叉操作采用一种改进的均匀交叉方法。当两个父代个体位置相异的位数为m时，从中随机选取m/2个位置进行互换。为了防止对模式的破坏性，一般在操作前设置一个阈值，当父代个体间的海明距离小于该阈值时，则不进行交叉操作，阈值的设定也采用自适应调整，即随着种群的进化，逐渐减小该阈值。 CHC算法的变异操作在进化前期不进行，而是当种群进化收敛到一定时期后，从种群内的优秀个体中选出一部分进行初始化操作。 §3.2 遗传算法的改进 3.2.8 基于小生境的遗传算法 对于多峰值函数的优化问题，采用常规遗传算法求解时，往往陷入局部最优解的境地，原因是在算法的后期，种群多样性遭到了破坏，大量个体集中在某一个极值点附近，导致了后代的近亲繁殖，使得算法收敛于一个局部最优解，且无法跳出该局部搜索。 “小生境”是指生物学中特定环境下的一种生存环境，而同种类型的生物即生活在同一个小生境中。遗传算法首先将每一代个体划分为若干种类；然后再从每个种类中选择若干适应度值较大的个体作为该种类的优秀代表并组成