智能控制技术——遗传算法.pptx

智能控制技术遗传算法

主要内容23.遗传算法3.1遗传算法概述3.2遗传学相关概念3.3简单遗传算法3.4遗传算法应用举例3.5遗传算法的设计与实现

33.1遗传算法概述3.1.1几种优化方法传统的优化方法（局部优化）共轭梯度法、拟牛顿法、单纯形方法全局优化方法（智能优化算法）漫步法（RandomWalk）、模拟退火法、GA

43.1遗传算法概述3.1.1几种优化方法智能优化方法?1）不依赖于初始条件；2）不与求解空间有紧密关系，对解域，无可微或连续的要求。求解稳健，但收敛速度慢。能获得全局最优。适合于求解空间不知的情况。传统的优化方法?1）依赖于初始条件。2）与求解空间有紧密关系，促使较快地收敛到局部解，但同时对解域有约束，如可微或连续。利用这些约束，收敛快。3）有些方法，如Davison-Fletcher-Powell直接依赖于至少一阶导数；共轭梯度法隐含地依赖于梯度。

53.1遗传算法概述3.1.2遗传算法的生物学基础达尔文的进化论英国的博物学家达尔文通过研究提出了被恩格斯赞誉为“19世纪自然科学三大发现”之一的生物进化学说。

63.1遗传算法概述3.1.2遗传算法的生物学基础达尔文的进化论（自然选择学说）（１）遗传(heredity)“种瓜得瓜，种豆得豆”，亲代把生物信息交给子代，子代按照所得信息而发育、分化，子代总是和亲代具有相同或相似的性状。（２）变异（variation）亲代和子代之间以及子代的不同个体之间总有差异。变异是随机发生的，变异的选择和积累是生命多样性的根源。（３）生存斗争和适者生存由于弱肉强食和生存斗争不断进行，其结果是适者生存，不适者被淘汰，通过一代代的选择作用，物种变异朝着一个方向积累，演变为新的物种。

73.1遗传算法概述3.1.2遗传算法的生物学基础桦尺蛾的例子1850年，人们发现了第一只黑色桦尺蛾19世纪末,黑色桦尺蛾占了95%以上,浅灰色桦尺蛾从99%降到5%以下

83.1遗传算法概述3.1.3遗传算法遗传算法（GeneticAlgorithm，简称GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程以及Mendel遗传学的计算机算法。它由美国Holland教授1975年提出。

93.1遗传算法概述3.1.3遗传算法基于模仿生物界遗传学的遗传过程，把问题的参数用基因来表示，把问题的解用染色体来表示代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代，后代随机化地继承父代的最好特征，并也在生存环境的控制支配下继续这一过程。群体的染色体都将逐渐适应环境，不断进化，最后收敛到一组最适应环境的类似个体，即得到问题最优解。基本思想

103.1遗传算法概述3.1.3遗传算法遗传算法不是直接作用在参变量集上而是利用参变量集的某种编码遗传算法不是从单个点，而是从一个点的群体开始搜索；遗传算法利用适应值信息，无须导数或其它辅助信息；遗传算法利用概率转移规则，而非确定性规则。与传统的优化算法相比，遗传算法主要有以下几个不同之处

113.1遗传算法概述3.1.3遗传算法它在搜索过程中不容易陷入局部最优，即使所定义的适应函数是不连续的、非规则的或有噪声的情况下，它也能以很大的概率找到整体最优解；由于它固有的并行性，遗传算法非常适用于大规模并行计算机。遗传算法特别的优越性

123.1遗传算法概述3.1.3遗传算法遗传算法特别的优越性

主要内容133.遗传算法3.1遗传算法概述3.2遗传学相关概念3.3简单遗传算法3.4遗传算法应用举例3.5遗传算法的设计与实现

143.2遗传学相关概念3.2.1个体与种群个体就是模拟生物个体而对问题中的对象（一般就是问题的解）的一种称呼，一个个体也就是搜索空间中的一个点。种群(population)就是模拟生物种群而由若干个体组成的群体,它一般是整个搜索空间的一个很小的子集。

153.2遗传学相关概念3.2.2适应度与适应度函数适应度(fitness)就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的表征其优劣的一种测度。适应度函数(fitnessfunction)就是问题中的全体个体与其适应度之间的一个对应关系。它一般是一个实值函数。该函数就是遗传算法中指导搜索的评价函数。

163.2遗传学相关概念适应度函数的重要性适应度函数的选取直接影响遗传算法的收敛速度以及能否找到最优解。一般而言，适应度函数是由目标函数变换而成的，对目标函数值域的某种映射变换称为适应度的尺度变换（fitnessscaling）。