遗传算法的基本原理.pptVIP

遗传算法从由很多个体组成的一个初始群体开始最优解的搜索过程，而不是从一个单一的个体开始搜索，这是遗传算法所特有的一种隐含并行性，因此遗传算法的搜索效率较高。遗传算法直接以目标函数作为搜索信息。传统的优化算法不仅需要利用目标函数值，而且需要目标函数的导数值等辅助信息才能确定搜索方向。而遗传算法仅使用由目标函数值变换来的适应度函数值，就可以确定进一步的搜索方向和搜索范围，无需目标函数的导数值等其他一些辅助信息。遗传算法使用概率搜索技术。遗传算法的选择、交叉、变异等运算都是以一种概率的方式来进行的，因而遗传算法的搜索过程具有很好的灵活性。随着进化过程的进行，遗传算法新的群体会更多地产生出许多新的优良的个体。02遗传算法可应用于目标函数无法求导数或导数不存在的函数的优化问题，以及组合优化问题等。01遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索；遗传算法对于待寻优的函数基本无限制，它既不要求函数连续，也不要求函数可微，既可以是数学解析式所表示的显函数，又可以是映射矩阵甚至是神经网络的隐函数，因而应用范围较广；遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度，适合大规模复杂问题的优化。010203函数优化。函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例。尤其是对非线性、多模型、多目标的函数优化问题，采用其他优化方法较难求解，而遗传算法却可以得到较好的结果。10.3遗传算法的应用领域组合优化。01随着问题的增大，组合优化问题的搜索空间也急剧扩大，采用传统的优化方法很难得到最优解。遗传算法是寻求这种满意解的最佳工具。例如，遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。02生产调度问题在很多情况下，采用建立数学模型的方法难以对生产调度问题进行精确求解。在现实生产中多采用一些经验进行调度。遗传算法是解决复杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。自动控制。在自动控制领域中有很多与优化相关的问题需要求解，遗传算法已经在其中得到了初步的应用。例如，利用遗传算法进行控制器参数的优化、基于遗传算法的模糊控制规则的学习、基于遗传算法的参数辨识、基于遗传算法的神经网络结构的优化和权值学习等。23%Option1（5）机器人（6）图像处理遗传算法可用于图像处理过程中的扫描、特征提取、图像分割等的优化计算。目前遗传算法已经在模式识别、图像恢复、图像边缘特征提取等方面得到了应用。例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人结构优化和行为协调等方面得到研究和应用。30%Option24.1遗传算法的构成要素01染色体编码方法02基本遗传算法使用固定长度的二进制符号来表示群体中的个体，其等位基因是由二值符号集{0,1}所组成。初始个体基因值可用均匀分布的随机值生成，如03就可表示一个个体，该个体的染色体长度是18。0410.4遗传算法的优化设计个体适应度评价：基本遗传算法与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的概率多少。为正确计算这个概率，要求所有个体的适应度必须为正数或零。因此，必须先确定由目标函数值J到个体适应度f之间的转换规则。遗传算子：基本遗传算法使用下述三种遗传算子：选择运算:使用比例选择算子；交叉运算:使用单点交叉算子；变异运算:使用基本位变异算子或均匀变异算子。基本遗传算法的运行参数有下述4个运行参数需要提前设定：M：群体大小，即群体中所含个体的数量，一般取为20~100；G：遗传算法的终止进化代数，一般取为100~500；Pc：交叉概率，一般取为0.4~0.99；Pm：变异概率，一般取为0.0001~0.1。01对于一个需要进行优化的实际问题，一般可按下述步骤构造遗传算法：03建立优化模型，即确定出目标函数的类型及数学描述形式或量化方法；02确定决策变量及各种约束条件，即确定出个体的表现型X和问题的解空间；10.4.2遗传算法的应用步骤1确定表示可行解的染色体编码方法，即确定出个体的基因型x及遗传算法的搜索空间；2确定解码方法，即确定出由个体基因型x到个体表现型X的对应关系或转换方法；5确定遗传算法的有关运行参数，即M,G,Pc,Pm等参数。4设计遗传算子，即确定选择运算、交叉运算、变异运算等遗传算子的具体操作方法。3确定个体适应度的量化评价方法，即确定出由目标函数值到个体适应度的转换规则；以上操作过程可以用图10-1来表示。图10-1遗传算法流程图10.5遗