遗传算法及应用.pptVIP

5.3遗传算法的实现与改进5.3.2初始种群的产生产生初始种群的方法通常有两种：一种是用完全随机的方法产生。例如用随机数发生器来产生。设要操作的二进制字串总共p位，设初始种群取n个样本（n），可在0～之间随机地产生n个整数，则该n个整数所对应的二进制表示即为要求的n个初始样本。随机产生样本的方法适于对问题的解无任何先验知识的情况。另一种产生初始种群的方法是，对于具有某些先验知识的情况，可首先将这些先验知识转变为必须满足的一组要求，然后在满足这些要求的解中再随机地选取样本。这样选择初始种群可使遗传算法更快地到达最优解。*第29页，共46页，星期日，2025年，2月5日5.3.3适配度的设计1)直接以待求解的目标函数的作为适配度函数，若目标函数f(x)为最大化问题，令适配度函数若目标函数f(x)为最小化问题，令适配度函数2)若目标函数为最小问题，则式中cmax为f(x)的最大估计值。若目标函数为最大问题，则*第30页，共46页，星期日，2025年，2月5日5.3.3适配度的设计3)若目标函数为最小问题，则若目标函数为最大问题，则5.3遗传算法的实现与改进*第31页，共46页，星期日，2025年，2月5日5.3.4遗传算法的操作步骤利用遗传算法解决一个具体的优化问题，一般分为三个步骤：1)准备工作(1)确定有效且通用的编码方法，将问题的可能解编码成有限位的字符串；(2)定义一个适应度函数，用以测量和评价各解的性能；(3)确定遗传算法所使用的各参数的取值，如种群规模n，交叉概率，变异概率等等。5.3遗传算法的实现与改进*第32页，共46页，星期日，2025年，2月5日5.3.4遗传算法的操作步骤2)遗传算法搜索最佳串(1)t=0，随机产生初始种群A(0)；(2)计算各串的适配度，；(3)根据对种群进行复制操作，以概率对种群进行交叉操作，以概率对种群进行变异操作，经过三种操作产生新的种群；(4)t=t+1，计算各串的适配度；(5)当连续几代种群的适配度变化小于某个事先设定的值时，认为终止条件满足，若不满足返回(3)；(6)找出最佳串，结束搜索。5.3遗传算法的实现与改进*第33页，共46页，星期日，2025年，2月5日第1页，共46页，星期日，2025年，2月5日5.1遗传算法的原理与特点Darwin的进化论：优胜劣汰，适者生存。Mendel的基因遗传学：遗传是作为一种指令码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质，每个基因产生的个体对环境有一定的适应性，基因杂交和基因突变可能产生对环境适应性更强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来。*第2页，共46页，星期日，2025年，2月5日5.1.1遗传算法的基本原理遗传算法将问题的求解表示成“染色体”（用编码表示字符串）。该算法从一群“染色体”串出发，将它们置于问题的“环境”中，根据适者生存的原则，从中选择出适应环境的“染色体”进行复制，通过交叉、变异两种基因操作产生出新的一代更适应环境的“染色体”种群。随着算法的运行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体。*第3页，共46页，星期日，2025年，2月5日5.1.1遗传算法的基本原理常规的寻优方法主要有三种类型：解析法：间接法是通过让目标函数的梯度为零，进而求解一组非线性方程来寻求局部极值。直接法是使梯度信息按最陡的方向逐次运动来寻求局部极值，它即为通常所称的爬山法。枚举法：可寻找到全局极值，不需要目标函数连续光滑。随机法：搜索空间中随机地漫游并随时记录下所取得的最好结果。*第4页，共46页，星期日，2025年，2月5日5.1.2遗传算法的特点1)遗传算法是对参数的编码进行操作，而不是对参数本身；2)遗传算法是从许多初始点开始并行操作，因而可以有效地防止搜索过程收敛于局部最优解，而且有较大的可能求得全部最优解；3)遗传算法通过目标函数来计算适配度，而不需要其它的推导和附属信息，从而对问题的依赖性较小；4)遗传算法使用概率的转变规则，而不是确定性的规则；5)遗传算法在解空间内不是盲目地穷举或完全随机测试，而是一种启发式搜索，其搜索效率往往优于其它方法；6)遗传算法对于待寻优的函数基本无限制，因而应用范围很广；7)遗传算法更适合大规模复杂问题的优化。*第5页，共46页，星期日