人工智能控制技术 配套课件.ppt

遗传算法遗传算法的发展历史1962年,霍兰德的学生巴格利（Bagley）在博士论文中首次提出“遗传算法”一词。此后，霍兰德指导学生完成了多篇有关遗传算法研究的论文。1971年，霍尔斯泰因（Hollstien）在他的博士论文中首次把遗传算法用于函数优化。1975霍兰德出版了他的著名专著《自然系统和人工系统的自适应》，这是第一本系统论述遗传算法的专著，霍兰德在该书中系统地阐述了遗传算法的基本理论和方法，并提出了对遗传算法的理论研究和发展极其重要的模式理论。该理论首次确认了结构重组遗传操作对于获得隐并行性的重要性。同年，德容（K.A.DeJong）完成了他的博士论文《一类遗传自适应系统的行为分析》该论文所做的研究工作，他把霍兰德的模式理论与他的计算实验结合起来。1985年，在美国召开了第一届遗传算法国际会议，并且成立国际遗传算法学会，以后每两年举行一次。遗传算法的发展历史1989年，霍兰德的学生戈德堡（D.E.Goldberg）出版了专著《搜索、优化和机器学习中的遗传算法》。该书总结了遗传算法研究的主要成果，对遗传算法及其应用作了全面而系统的论述。同年，美国斯坦福大学的科扎（Koza）基于自然选择原则创造性地提出了用层次化的计算机程序来表达问题的遗传程序设计方法，成功地解决了许多问题。1991年，戴维斯（L.Davis）编辑出版了《遗传算法手册》，其中包括了遗传算法在工程技术和社会生活中的大量应用实例。1994年，科扎又出版了《遗传程序设计，第二册:可重用程序的自动发现》深化了遗传程序设计的研究，使程序设计自动化展现了新局面。越来越多的从事不同领域的研究人员已经或正在置身于有关遗传算法的研究或应用之中。进入20世纪90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行遗传算法的发展历史1991年瓦提（D.Whitey）在他的论文中提出了基于领域交叉的交叉算子，这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了旅行商（TSP）问题中。阿克利（D.H.Ackley）等提出了随机迭代遗传爬山法采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值(m表示群体的大小)。该方法与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能。贝尔尼尼（H.Bersini）和斯旺特（G.Seront）将遗传算法与单一方法结合起来，形成了一种叫单一操作的多亲交叉算子，2002年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题。2004年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法。2005年，江雷等针对并行遗传算法求解TSP问题，探讨了使用弹性策略来维持群体的多样性，使得算法跨过局部收敛的障碍，向全局最优解方向进化。遗传算法的发展历史随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃，这不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用。五是遗传算法和进化规划以及进化策略等进化计算理论日益结合。进化规划和进化策略几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。遗传算法的基本原理遗传算法的提出是从生物界的进化理论中得到启发。在自然界，优秀的品种个体能够在贫乏的环境下生存。对环境的适应能力是每一物种生存的本能。表征各自个体的独特性决定了它本身的生存能力，而这些特性是由其个体的遗传码决定的。确切地讲，每一特性是由基因控制的。控制个体特性的基因集就是染色体，它是在竞争环境中个体生存的关键因素。进化的驱动力在于自然选择和繁殖以及它们重组的联合作