GA遗传算法.ppt

遗传算法(Genetic Algorithm);遗传算法与模拟退火算法一样是为解决组合优化问题而提出！;遗传算法;遗传算法中的自然法则;遗传算法中的自然法则;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;遗传算法的基本流程;基本遗传算法的运行参数 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；也可以采取办法：在指定交叉形式下，若有Pc0，使进化代数最小达到终止条件，则交叉概率Pc0最优。 Pm：变异概率，一般取为0.01~0.001。也可以采取办法：在指定变异形式下，若有Pm0，使进化代数最小达到终止条件，则变异概率Pm0最优。 ;1、复制操作通常采用比例复制，即复制概率正比于个体的适配值，如此意味着适配值高的个体在下一代中复制自身的概率大，从而提高了种群的平均适配值。;遗传算法的流程图;遗传算法伪代码;标准遗传算法的理论基础;标准遗传算法的理论基础;标准遗传算法的理论基础;标准遗传算法的理论基础;标准遗传算法的理论基础;标准遗传算法的理论基础;接下来我们用定理来证明遗传算法的收敛性！;遗传算法收敛性;遗传算法收敛性;遗传算法收敛性;遗传算法收敛性;遗传算法收敛性;(1)GA对问题参数编码成“染色体”后进行进化操作，而不是针对参数本身，这使得GA不受函数约束条件的限制，如连续性、可导性个体。 (2)GA的有哪些信誉好的足球投注网站过程是从问题解的一个集合开始，而不是从单个开始，具有隐含并行有哪些信誉好的足球投注网站特性，从而大大减小了陷入局部极小的可能。 (3)GA使用的遗传操作均是随机操作，同时GA根据个体的适配值信息进行有哪些信誉好的足球投注网站，无需其他信息，如导数信息等 (4)GA具有全局有哪些信誉好的足球投注网站能力，最善于有哪些信誉好的足球投注网站复杂问题和非线性问题。;遗传算法求解问题举例;例子1; 分析 原问题可转化为在区间［0, 31］中有哪些信誉好的足球投注网站能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该 问题就可以用遗传算法来解决。;　解 　　(1) 设定种群规模,编码染色体，产生初始种群。 将种群规模设定为4；用5位二进制数编码染色体；取下列个体组成初始种群S1: s1= 13 (01101), s2= 24 (11000) s3= 8 (01000), s4= 19 (10011) (2) 定义适应度函数, 取适应度函数：f (x)=x2 ; 首先计算种群S1中各个体 s1= 13(01101), s2= 24(11000) s3= 8(01000), s4= 19(10011) 的适应度f (si) 容易求得 f (s1) = f(13) = 132 = 169 f (s2) = f(24) = 242 = 576 f (s3) = f(8) = 82 = 64 f (s4) = f(19) = 192 = 361;再计算种群S1中各个体的选择概率。;● 赌轮选择法;　　在算法中赌轮选择法可用下面的子过程来模拟: 　① 在［0, 1］区间内产生一个均匀分布的随机数r。 　　② 若r≤q1,则染色体x1被选中。 　　③ 若qk-1r≤qk(2≤k≤N), 则染色体xk被选中。 其中的qi称为染色体xi (i=1, 2, …, n)的积累概率, 其计算公式为 ;选择-复制 　;于是，经复制得群体： s1’ =11000（24）, s2’ =01101（13） s3’ =11000（24）, s4’ =10011（19） ;变异 设变异率pm=0.001。 这样，群体S1中共有 5×4×0.001=0.02 位基