遗传算法——人工智能.docxVIP

优化算法及其分类 1、传统优化算法待解决问题：连续性问题，以数学为基础，以数据结构为手段。 2、启发式算法待解决问题：离散性、不确定性、大规模问题，遗传、蚁群、粒子群算法。 3、复杂性问题时间复杂度T(n)(算法/问题)算法对时间的需要量，关键操作次数T(n)=O(P(n)),O(P(n))是复杂性函数P(n)主要想的阶空间复杂度S(n)(算法/问题)算法对空间的需要量，占用的存储单元数量分类：P、NP、NP完全1、遗传算法的原理： 遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。其基本原理为利用生物进化论思想求解现实问题的过程。 CharlesDazin的自然选择学说是生物遇化的果础(同期，AlfredWallace；独立地发展，了一种相似的学说)?Darwin的进化论可以描述为：在一个遂源有限、种群稳定的世界中,,每个生物个体都会与其他生物个体为了生弃而竟如拥有优良性状的个体会更加容易获得垣和繁殖的机会，它的性状也更易于枝?给后代」这些优良性状被下二代继承，经过段肘间便成为种群中的主要性状， Dfliwiri理论的第二部分中提到，在锄年生物体的发育过程中,随机事件会导致幼年生物体性状的随机改变.切果新出现的性状有益于生物K厕该生物获饵生存的柢率会有所达尔文的自然选择学说：遗传、变异、生存斗争和适者生存2、遗传算法的步骤： 1、初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。 2、评估适应度：计算群体P(t)中各个个体的适应度。 3、选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 4、交叉运算：将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。 5、变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。 群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t1)。 6、终止条件判断：若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。 3、遗传算法的流程图: 开始c~:计畀渣:序丧-一适应度是否达到期壑怛或遂代族教是否达到最大值，f.——i 选择. 1T交叉，TT造应度:咨否姑到期消谊或迪代敬数是否达到扇:大值 变异，4、遗传算法的特点: 遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的;容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。 遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。 遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。 遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的搜r^-r索万向。 具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。 4、进化算法： 与传统的基于微积分的方法和穷举法等优化算法相比，进化计算是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法，具有自组织、自适应、自学习的特性，能够不受问题性质的限制，有效地处理传统优化算法难以解决的复杂问题。 算法1显示了以上这几部分如何组合为-个通用进化算法。 算法8.1一般进化算法_ 个代数计数器日h 创建和初始化皿雄的群体笑0)，包念乩个个体; while终止条件不为真do 获得每个个体以。的适应度值顶X。))，采用复制算法来产生后代： 选择新群体￡Q+1)；进入卜一代，即T+h end5、几个概念： 借助于对随机选择的若-「?个体进行自松选择的进化过瑕，可以被看作是在?染色体值空间中的一个搜索过程.在这个意义上，进化算法就是一种对给定问题求最优婢的随机搜索方法,该进化搜索主要受到以下几个都分的影响， ?编码；与染色体一样，对问题的解编码， ?适应度函数：用于求适应度的函数表征个体的生存能力“ ?初始化，种群的初始化. ?选择：选择算于。 ?繁殖(reproduction)；繁殖算子*7、二进制与十进制之间的转换： x=-1.0+x2一(T)222-1(bbb) x=-1.0+x2一(T) 222-1 212002i10i=08、编码原则完备性(completeness):问题空间的所有解都能表示为所设计的基因型；健全