人工智能 课件 第四章 进化算法和群智能算法.pptx

人工智能第四章进化算法和群智能算法

本章提纲4.1概述4.2遗传算法4.3差分进化算法4.5蚁群算法4.4粒子群算法

本章提纲4.1概述4.2遗传算法4.3差分进化算法4.5蚁群算法4.4粒子群算法

4.1概述概述优化技术是指在满足一定条件下，在众多或参数中寻找最优化方案或参数值，以是的某个或多个功能指标达到最优，或使系统的某些性能指标达到最大值或最小值。在计算智能和人工智能交叉工程应用领域得到广泛重视，鉴于实际工程问题的复杂性、约束性、非线性、多极小、建模困难等特点，需要寻求适用于大规模并行且具有智能特征的算法。智能优化算法又称为现代启发式算法，受人类智能、生物群体社会性或自然现象规律的启发，为接近复杂问题提供了新的思路和手段。智能优化算法大体可以分为五类：进化算法、群智能算法、模拟退火算法、禁忌有哪些信誉好的足球投注网站算法和神经网络算法。其中，进化算法通过模拟自然界群体和个人间的进化机制、合作竞争来设计有哪些信誉好的足球投注网站策略；群智能算法则受到生物群体行为研究的启发，将模拟生物群体寻径行为融入到求解高度复杂的优化问题中。

本章提纲4.1概述4.2遗传算法4.3差分进化算法4.5蚁群算法4.4粒子群算法

4.2遗传算法遗传算法（GeneticAlgorithm，GA）是一种进化算法，其基本原理是仿效生物界中的“物竞天择、适者生存”的演化法则，它最初由美国Michigan大学的J.Holland教授于1967年提出。70年代，K.A.Dejong基于遗传算法的思想，在计算机上进行了大量的纯数值函数优化计算试验[2]；80年代，遗传算法由D.E.Goldberg在一系列研究工作的基础上归纳总结而成。90年代以后，遗传算法作为一种高效、实用、鲁棒性强的优化技术，发展极为迅速，在机器学习、模式识别、神经网络、控制系统优化及社会科学等不同领域得到广泛应用。进入21世纪，以不确定性、非线性、时间不可逆为内涵的复杂性科学成为一个研究热点。遗传算法因能有效地求解NP(Non-deterministicPolynomial)问题以及非线性、多峰函数优化和多目标优化问题，得到了众多学科学者的高度重视，同时也极大的推动了遗传算法理论研究和实际应用的不断深入与发展。

1.基本概念4.2遗传算法个体（individual）：指染色体带有特征的实体；种群（population）：个体的集合，该集合内个体数称为种群的大小；进化（evolution）：生物在其延续生存的过程中，逐渐适应其生存环境，使得其品质不断得到改良，这种生命现象称为进化；适应度（fitness）：度量某个物种对于生存环境的适应程度。对生存环境适应程度较高的物种将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖机会就会相对较少，甚至逐渐灭绝。

1.基本概念选择（selection）：指决定以一定的概率从种群中选择若干个体的操作；复制（reproduction）：细胞在分裂时，遗传物质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;交叉（crossover）：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组合形成两个新的染色体。又称基因重组，俗称“杂交”;变异（mutation）：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，产生出新的染色体，这些新的染色体表现出新的性状;编码（coding）：表现型到基因型的映射；解码（decoding）：从基因型到表现型的映射。4.2遗传算法

4.2遗传算法2.算法流程遗传算法包括三个基本操作：选择、交叉和变异。（1）选择（selection），用来确定重组和交叉个体，以及被选个体将产生多少个子代个体。选择操作首先要计算适应度值，通常可以采取按比例的适应度计算或基于排序的适应度计算。其次，按照计算出来的适应度值进行父代个体的选择，通常采用的选择方法包含：轮盘赌选择、随机遍历抽样、局部选择、截断选择和锦标赛选择。

4.2遗传算法2.算法流程（2）交叉（crossover），结合来自父代遗传种群的信息来产生新的个体。依据个体编码表示方法的不同，可以选择不同的交叉算法，对于实值编码，可以选择离散重组、中间重组、线性重组、扩展线性重组。对于二进制编码，可以选择单点交叉、多点交叉、均匀交叉、洗牌交叉、缩小代理交叉。（3）变异（mutation），交叉之后的子代基因按一定概率产生变化，依据个体编码表示方法的不同，可以采取实值变异和二进制变异两种方法。

4.2遗传算法3.遗传算法的参数设置在遗传算法程序设计与调试中，有几个重要的参数对于算法性能有着至关重要的作用。（1）种群规模（2）交叉概率（3）变异概率（4）终止条件判断的最大进化代