人工智能-遗传算法.pptxVIP

第4章 遗传算法4.1 根本概念 4.2 选择算子 4.3 交叉算子 4.4 变异算子4.5 根本遗传算法 4.6 根本实现技术4.7 遗传算法应用 第4章 遗传算法生物进化自然法那么优胜劣汰适者生存有性繁殖基因通过有性繁殖不断进行混合和重组遗传算法从生物界按照自然选择和有性繁殖、遗传变异的自然进化现象中得到启发，而设计的一种优化搜索算法 第4章 遗传算法应用函数优化组合优化：旅行商、图形化分…生产调度：车间调度、生产规划…自动控制：控制器、参数辨识…机器人智能控制：机器人路径规划、运动轨迹规划…图像处理与模式识别：特征提取、图像分割…人工生命：进化模型、学习模型、行为模型…遗传程序设计机器学习 4.1 根本概念 个体个体就是模拟生物个体而对问题中的对象〔一般就是问题的解〕的一种称呼一个个体也就是搜索空间中的一个点种群 种群(population)就是模拟生物种群而由假设 干个体组成的群体它一般是整个搜索空间的一个很小的子集通过对种群实施遗传操作，使其不断更新换代而实现对整个论域空间的搜索 4.1 根本概念 适应度(fitness)借鉴生物个体对环境的适应程度，而对问题中的个体对象所设计的表征其优劣的一种测度适应度函数(fitness function)问题中的全体个体与其适应度之间的一个对应关系一般是一个实值函数该函数就是遗传算法中指导搜索的评价函数 4.1 根本概念 染色体(chromosome)染色体是由假设干基因组成的位串〔生物学〕个体对象由假设干字符串组成来表示〔遗传算法〕遗传算法(genetic algorithm)染色体就是问题中个体的某种字符串形式的编码表示染色体以字符串来表示基因是字符串中的一个个字符 个体 染色体 9 ---- 1001 〔2，5，6〕---- 010 101 110 4.1 根本概念 遗传算子(genetic operator)选择(selection)交叉(crossover)变异(mutation) 4.2 选择算子选择算子模拟生物界优胜劣汰的自然选择法那么的一种染色体运算从种群中选择适应度较高的染色体进行复制，以生成下一代种群算法：个体适应度计算在被选集中每个个体具有一个选择概率选择概率取决于种群中个体的适应度及其分布个体适应度计算，即个体选择概率计算个体选择方法按照适应度进行父代个体的选择 4.2 选择算子个体适应度计算按比例的适应度计算(proportional fitness assignment)基于排序的适应度计算(rank-based fitness assignment)个体选择方法轮盘赌选择(roulette wheel selection)随机遍历抽样(stochastic universal sampling)局部选择(local selection)截断选择(truncation selection)锦标赛选择(tournament selection) 4.2.1 按比例的适应度计算算法： 对一个规模为N的种群S，按每个染色体xi?S的选择概率P(xi)所决定的选中时机，分N次从S中随机选择N个染色体，并进行复制 其中：f为适应度函数 f(xi)为xi的适应度优胜劣汰概率越高，随机选中概率越大概率越高，选中次数越多适应度高的染色体后代越多 4.2.3 轮盘赌选择原理：做一个单位圆，然后按各个染色体的选择概率将圆面划分为相应的扇形区域转动轮盘，轮盘静止时指针指向某一扇区，即为选中扇区，相应的个体/染色体即被选中 4.2.3 轮盘赌选择算法：在[0, 1]区间，产生一个均匀分布的伪随机数r假设r?q1，那么染色体1被选中假设qk-1 r?qk(2 ?k?N)，那么染色体k被选中其中qi为染色体xi(i=1, 2, …, n)的累积概率一个染色体xi被选中的次数，可由期望值e(xi)来确定 为种群S中全体染色体的平均适应度 4.3 交叉算子交叉算子交换、交配、杂交互换两个染色体某些位上的基因随机化算子，生成新个体 4.3 交叉算子一点杂交产生一个在1到L－1之间的随机数I配对的两个串相互对应的交换从i＋1到L的位段 4.3 交叉算子例3.1 设染色体s1 = 1011 0111 00 染色体s2 = 0001 1100 11 交换其后2位基因s1: 1011 0111 00 s1’：1011 0111 11s2：0001 1100 11 s2’：0001 1100 00单点交叉 4.4 变异算子变异算子突变改变染色