a11模式识别与智能计算第十一章+遗传算法聚类分析.pptxVIP

模式识别与智能计算第十一章遗传算法聚类分析杨淑莹天津理工大学计算机科学与工程学院

第一章遗传算法聚类分析1.1遗传算法的基本原理1.2遗传算法的构成要素1.2.1染色体的编码1.2.2适应度函数1.2.3遗传算子1.3控制参数的选择1.4基于遗传算法的聚类分析

1.1模式识别的基本概念遗传算法(GeneticAlgorithms,GA)：是一种模拟生命进化机制，搜索最优解方法。

1.1模式识别的基本概念

遗传算法的进化过程

遗传算法求解过程1、编码2、生成初始群体3、适应度评估检测4、判断是否达到标准5、未达到则进行选择、交叉、变异操作6、新群体继续判断是否达到标准达到则停止否则继续循环

1.1模式识别的基本概念遗传算法特点：对象为问题参数的编码集。求解是从问题的解位串集开始搜索,而不是单个解开始搜索,搜索空间范围大,降低了陷入局部最优的可能性。遗传算法仅使用目标函数来进行搜索,不需要其他辅助信息。遗传算子是随机的。可扩展性

1.2遗传算法的构成要素染色体的编码：就是指将问题的解空间转换成遗传算法所能处理的搜索空间。1、二进制编码：编码符号集是二值符号集【0,1】,其个体基因是二值符号串。2、符号编码：a、b3、浮点数编码：此编码方案中个体的每个基因值是一个浮点数，该方法适合在遗传算法中表示较大的数,应用于高精度的遗传算法,搜索空间较大,改善了算法的复杂性。

遗传算法的进化过程

适应度函数在遗传算法中，模拟自然选择的过程主要通过评估函数和适应度函数来实现。前者计算每个个体优劣的绝对值，后者计算每个个体相对于整个群体的相对适应性。个体适应度的大小决定了它继续繁衍还是消亡。适应度高的个体被复制到下一代的可能性高于适应度低的个体。过早收敛问题：如果个体的适应度值很高导致没有达到最优解，甚至没有得到可接受解的时候，就因为某个或某些个体的副本充斥整个群体导致过早收敛到局部最优解。结束缓慢问题：在迭代许多代以后，整个种群已经大部分收敛，但是还没有得到稳定的全局最优解。原因是整个种群的平均适应度值较高。一个好的适应度函数能够解决这些问题！！！

遗传算子——选择算子遗传算法中的“选择”算子就是用来确定如何从父代群体中按照某种方法,选择哪些个体作为子代的遗传算子。1、赌轮选择方法：每个个体选择概率与个体适应度相关2、排序选择法：首先按适应度大小排序，再分配概率。3、最优保存策略①找出当前群体中适应度最高和最低的个体。②若当前个休适应度比总的迄今为止最好的个体适应度还要高，则用当前最优个体替代总的最优个体。③用迄今为止最好个体替换最差个体。

遗传算子——交叉算子在进化算法中,交叉是遗传算法所独有的方法,用于保留原始性特征。遗传算法交叉算子模仿自然界有性繁殖的基因重组过程,其作用在于将原有的优良基因遗传给下一代个体,并生成包含更复杂结构的新个体。

遗传算子——交叉算子

遗传算子——变异算子模仿遗传中的基因突变，在编码序列中随机位置发生变化。

遗传算法的进化过程

1.3控制参数的选择1、位串长度L2、群体规模n3、交叉概率Pc4、变异概率Pm

1.4基于遗传算法的聚类分析

1.4基于遗传算法的聚类分析①进行染色体编码

1.4基于遗传算法的聚类分析②设定评估函数通过人工干预获得聚类类别总数计算每一类的中心在同一个类内计算每一个样本到中心的距离，并将他们累加求和使用类内距离与类间距离之和作为目标函数将不同类计算出的Dt求和赋值给m_pop(i).value做为评估值

1.4基于遗传算法的聚类分析③设定适应度函数（CalFitnessValue）适应度函数结果代表每个个体相对于整个群体的相对适应性如果直接以评估函数的结果作为适应度存在两个问题1群体中极少数适应度相当高的个体被迅速选择，复制遗传，引起算法提前收敛于局部最优解。2群体中个体适应度彼此非常接近，算法趋向于纯粹的随机选择，使优化过程趋于停止。适应度排序法Ⅰ按照原始的评估函数结果由小到大进行排序标号（index）Ⅱ适应度函数

遗传算子以第一个个体到每个个体适应度之和占总适应的比例作为选择依据循环产生随机数p，当pcFitness(i)时，留下该个体。由于前面按适应度排序④通过选择、交叉、变异生成下一代

遗传算子⑤进行评估并进行精英选择与菜鸟替换⑥直到迭代完毕否则继续生成下一代步骤