专题一 遗传算法.ppt

第四章 遗传算法 专题一 遗传算法 1 遗传算法概述 1.1 生物学中的遗传概念 1.2 遗传算法的基本思想 1.3 遗传算法的一般流程 1.4 遗传算法的特点 1.5 应用举例 2 遗传算法的理论基础 2.1 遗传算法的模式理论 2.2 遗传算法实现中的一些基本问题 遗传算法(Genetic Algorithm, GA)是一种基于自然选择和基因遗传学原理的优化有哪些信誉好的足球投注网站方法。 遗传算法的创立有两个研究目的：一是抽象和严谨地解释自然界的适应过程；二是为了将自然生物系统的重要机理运用到工程系统、计算机系统和商业系统等人工系统的设计中。 遗传算法在计算机上模拟生物的进化过程和基因的操作，并不需要对象的特定知识，也不需要对象的有哪些信誉好的足球投注网站空间是连续可微的，它具有全局寻优的能力。 在生物细胞中，控制并决定生物遗传特性的物质是脱氧核糖核酸，简称DNA。染色体是其载体。 DNA是由四种碱基按一定规则排列组成的长链。四种碱基不同的排列决定了生物不同的表现性状。例如，改变DNA长链中的特定一段（称为基因），即可改变人体的身高。 细胞在分裂时，DNA通过复制而转移到新产生的细胞中，新的细胞就继承了旧细胞的基因。 有性生殖生物在繁殖下一代时，两个同元染色体之间通过交叉而重组，亦即在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉形成两个新的染色体。 在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生新的染色体。 这些新的染色体将决定新的个体（后代）的新的性状。 在一个群体中，并不是所有的个体都能得到相同的繁殖机会，对生存环境适应度高的个体将获得更多的繁殖机会；对生存环境适应度较低的个体，其繁殖机会相对较少，即所谓自然选择。而生存下来的个体组成的群体，其品质不断得以改良，称为进化。 遗传算法从代表问题可能潜在解集得一个种群开始，首先必须实现从性状到基因得映射，即编码工作（如二进制编码）。 初代种群（编码集合）产生后，按照优胜劣汰的原则，根据个体适应度大小挑选（选择）个体，进行复制、交叉、变异，产生出代表新的解集的群体，再对其进行挑选以及一系列遗传操作，如此往复，逐代演化产生出越来越好的近似解。 选择（挑选）：通过适应度的计算，淘汰不合 理的个体。类似于自然界的物竞天择. 复制：编码的拷贝，类似于细胞分裂中染色 体的复制。 交叉：编码的交叉重组，类似于染色体的交 叉重组。 变异：编码按小概率扰动产生的变化，类似 于基因的突变。 这个过程将导致种群像自然进化一样，后代种群比前代更加适应环境，末代种群中得最优个体经过解码（从基因到性状的映射），可以作为问题近似最优解。 随机产生初始种群，个体数目一定，每个个体表示为染色体的基因编码； 计算个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解，并结束计算，否则转第③步； 依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰； 按照一定的交叉概率和交叉方法，生成新的个体; 按照一定的变异概率和变异方法，生成新的个体; 由交叉和变异产生新一代的种群，返回第②步。 1.4 遗传算法的特点 常规优化算法： 解析法：只能得到局部最优解，且要求目标函数连续光滑及可微信息； 枚举法：虽然克服了这些缺点，但计算效率太低，且对于实际问题往往由于有哪些信誉好的足球投注网站空间大而不能将所有的情况都有哪些信誉好的足球投注网站到； 动态规划法：存在“指数爆炸”问题，它对于中等规模和适度复杂性的问题，也常常无能为力。 同常规算法相比，遗传算法有以下特点： 遗传算法是对参数的编码进行操作，这样提供的参数信息量大，优化效果好。 遗传算法是从许多点开始并行操作，因而可以有效地防止有哪些信誉好的足球投注网站过程收敛于局部最优解。 遗传算法通过目标函数来计算适配值，而不需要其他推导和附加信息，从而对问题的依赖性小。 遗传算法的寻优规则是由概率决定的，而非确定性的。 遗传算法在解空间进行高效启发式有哪些信誉好的足球投注网站，而非盲目地穷举或完全随机有哪些信誉好的足球投注网站。 遗传算法对于待寻优的函数基本无限制，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。 遗传算法更适合大规模复杂问题的优化。 遗传算法计算简单，功能强。 1.5 应用举例 例：求最大值： f(x)=x*sin(10*pi*x)+2.0 x∈[-1, 2]. 编码：通常采用二进制编码，将某个变量值代表的个体表示为一个二进制串，串长取决于求解的精度。本题取位串为22位，将一个二进制串（b21b20…b0）转化为区间[-1, 2]内对应的实数值很简单，只需要采取以下两步： 将一个二进制串（b21b20…b0）2 代表的二进制数化为十进制数; x’对应的区间[-1, 2]内的实数： 例如，一个