遗传算法课件.pptVIP

遗传算法 遗传算法 遗传算法 基本概念 遗传算法 生物进化的基本过程： 遗传算法 1. 处理步骤 遗传算法 1. 处理步骤 遗传算法 2.名词解释 遗传算法 2.名词解释 遗传算法 个体适应度评价 遗传算法 个体适应度评价 遗传算法 个体适应度评价 遗传算法 个体适应度评价 遗传算法 2.名词解释 遗传算法 2.名词解释 遗传算法 选择-复制操作 遗传算法 选择-复制操作 遗传算法 选择-复制操作 遗传算法 选择-复制操作 遗传算法 选择-复制操作 遗传算法 交叉操作 遗传算法 交叉操作 遗传算法 交叉操作 遗传算法 交叉操作 遗传算法 变异操作 遗传算法 变异操作 遗传算法 变异操作 遗传算法 二. 运算过程 遗传算法 二. 运算过程 遗传算法 遗传算法 三. 算例 遗传算法 三. 算例 遗传算法 三. 算例 遗传算法 三. 算例 遗传算法 遗传算法 遗传算法 遗传算法 遗传算法 遗传算法 遗传算法 遗传算法 遗传算法 四. 应用 遗传算法 五. 特点与优势 遗传算法 五. 特点与优势 遗传算法 六. 展望 谢谢 与前面的二进制编码相比，编码中的每一个分量都是一 个实数而不是一个二进制数，一个编码表示的是一组优化变量二不是一个优化变量。这种编码方式大大缩短了编码长度，减小了计算量，且精度高。同时应该看到的是，实数编码与二进制编码相似之处都是把优化变量转化成一列数，这对于后续操作是比较有利的。 对于某些问题，可能这两种编码方式都不适用，那么具体的编码方式就没有固定的规律可循，需要视实际情况而定。 解： 例：用遗传算法求解： 解集中包含10个可行解，淘汰率为40%，交叉点和变异点 数均为2。 解：（1）确定初始解集，设置k=0 根据变量取值域为[-5,5]的要求，在此区间随机确定10个初始可行解如下： 解： 解：（2）计算 （以下计算均以第一个可行解为例） （3）选取评价函数 淘汰率40% 解： 淘汰 0.022 10 淘汰 0.023 5 0.050 9 0.025 4 0.026 8 0.033 3 0.105 7 淘汰 0.021 2 0.050 6 淘汰 0.019 1 L L 表 3-16 可行解的评价结果 （4）交叉。 对于，每个余下的可行解，交叉操作应该按照如下3个步骤进行： ① 根据繁殖率确定其交叉次数： 交叉次数=可行解数×繁殖率 ②随机选出两个交叉点，并从剩余可行解中随机选出一个进行交叉 ③将此交叉产生的两个子代解进行比较，选出最优的一个作为新可行解加入新解集。 解： x2,x4 x（k,6） 1 交叉点 交叉对象 交叉次数 （-1.549，-0.539，-2.37，-1.515,2.117,2.062） 较优的子代可行解 解： （以第三个可行解与第六个可行解交叉为例） 解：（4）于是产生了新的交叉解集： （5）变异。 对于实数编码，变异操作比较复杂，对此例以采用 如下自适应变异模型： 式中Xc,i为一个随机选取的变异点；α为变异因子，此例中为0.1；r∈[0,1]的随机数。 当f（x）较大时，表明可行解较差，相应地，对其应该做较大修正；反之，若f（x）较小，则表明该可行解较优，做较小的修正即可。 解： 解： 以第一个可行解为例进行变异： 变异后的可行解为： 解：（5）执行变异操作后新一代解为： 至此，完成对解集的一次更新，产生了新一代可行解，后续过程与此类似，k=k+1转步骤（2），直至获得一个符合精度要求的优化可行解。 用于蛋白质分子和核酸的结构预测 蛋白质是由20 种氨基酸组成的序列;核酸是5 种碱基的核苷酸序列(对DNA,是A、G、T 、C 4 种碱基;对RNA,是A、G、U 、C 4 种碱基) , 这和遗传算法的串有着某种相似的关系。甚至这种序列编码本身就可直接代表遗传算法的串编码。 对核酸而言, 从某种意义上说, 遗传算法能反映出其某些生存进化的本质。对于有几十个或者几百个氨基酸(碱基) 的蛋白质(核酸) 来说, 全面的搜索意味着可怕的组合数, 如20( 或4) 的几十次方, 这往往是不可行的, 而遗传算法却能加速这种结构搜索。 遗传算法一般是直接在解空间搜索, 而不像图搜索那样一 般是在问题空间搜索, 最后才 找到解。 遗传算法的搜索随机地始于搜索空间