遗传算法专业知识讲座.pptx

当代设计办法之遗传优化算法;目录;1、智能优化算法 ;常用智能优化算法 ;智能优化算法特点;遗传算法起源;遗传算法搜索机制;2、基本遗传算法;基本遗传算法组成;SGA框图 ;染色体及其编码 　　遗传算法以生物细胞中染色体(chromosome)代表问题中个体对象。而一种染色体能够看作是由若干基因组成位串, 因此需要将问题中个体对象编码为某种位串形式。这样,原个体对象也就相称于生命科学中所称生物体体现型(phenotype), 而其编码即“染色体”也就相称于生物体基因型(genotype)。遗传算法中染色体一般用字符串表达, 而基因也就是字符串中一种个字符。例如,假设数字9是某问题中个体对象, 则我们就能够用它二进制数串1001作为它染色体编码。 ;基因型：1000101110110101000111 ;适应度与适应度函数 　　遗传算法对一种个体（解）好坏用适应度函数值来评价，适应度函数值越大，解质量越好。适应度(fitness)就是借鉴生物个体对环境适应程度, 而对所求解问题中对象设计一种表征优劣测度。适应度函数(fitness function)就是问题中全体对象与其适应度之间一种对应关系, 即对象集合到适应度集合一种映射。 它一般是定义在论域空间上一种实数值函数。适应度函数是遗传算法进化过程驱动力，也是进行自然选择唯一标准，它设计应结合求解问题本身要求而定。 说明：“论域”是数理逻辑中概念。“在一种逻辑系统中，所有个体组成集合，称为个体域，亦称论域。” ;种群(population)  　　SGA采取随机办法生成若干个个体集合，该集合称为初始种群。初始种群中个体数量称为种群规模。 或种群就是模拟生物种群而由若干个染色体组成群体, 它一般是整个论域空间一种很小子集。;遗传操作 　　遗传算法中有三种有关染色体运算（遗传算子）: 选择-复制、交叉和变异,这三种运算被称为遗传操作或遗传算子(genetic operator)。 ;选择-复制算子和选择概率　 选择-复制(selectionreproduction)操作是模拟生物界优胜劣汰自然选择法则一种染色体运算, 就是从种群中选择适应度较高染色体进行复制,以生成下一代种群。选择-复制一般做法是, 对于一种规模为N 种群S,按每个染色体xi∈S 选择概率P(xi)所决定选中机会, 分N 次从S中随机选定N 个染色体, 并进行复制。 这里选择概率P(xi)计算公式为 ;　　其中, f 为适应度函数, f(xi)为xi 适应度。能够看出, 染色体xi被选中概率就是其适应度f(xi)所占种群中全体染色体适应度之和百分比。 显然, 按照这种选择概率定义, 适应度越高染色体被随机选定概率就越大, 被选中次数也就越多, 从而被复制次数也就越多。相反,适应度越低染色体被选中次数也就越少,从而被复制次数也就越少。假如把复制看做染色体一次换代话,则这就意味着适应度越高染色体其后裔也就越多,适应度越低染色体其后裔也就越少, 甚至被淘汰。 这正吻合了优胜劣汰自然选择法则。 ;SGA选择算子;轮盘赌选择又称百分比选择算子，它基本思想是： 各个个体被选中概率与其适应度函数值大小成 正比。;　　上述按概率选择办法可用一种称为赌轮原理来实现。 即做一种单位圆, 然后按各个染色体选择概率将圆面划分为对应扇形区域(如图1所示)。这样, 每次选择时先转动轮盘, 当轮盘静止时,上方指针所正对着扇区即为选中扇区,从而对应染色体即为所选定染色体。 例如, 假设种群S中有4个染色体: s1,s2, s3, s4,其选择概率依次为: 0.11, 0.45, 0.29, 0.15, 则它们在轮盘上所占份额如图1中各扇形区域所示。 ;　在算法中赌轮选择法可用下面过程来模拟:  　　① 在［0, 1］区间内产生一种均匀分布伪随机数r。 　　② 若r≤q1,则染色体x1被选中。 　　③ 若qk-1r≤qk(2≤k≤N), 则染色体xk被选中。  其中qi称为染色体xi(i=1, 2, …, n)积累概率, 其计算公式为：;　　一种染色体xi被选中次数, 能够用下面盼望值e(xi)来确定： ;交叉(crossover)算子;　　例如,设染色体s1 s2 交换其后4位基因, 即： ;变异(mutation)算子;基本位变异算子;基本位变异算子执行过程;运行参数;SGA框图;基本遗传算法流程说明： 　　　步1 　在论域空间U上定义一种适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T； 　　　步2 　随机产生U中N个染色体s1, s2, …, sN，组成初始种群S={s1, s2, …, sN}，置代数计数器t=1； 　　　步3 　计算S中每个染色体