《智能机器人创新设计》 课件 第11章 多机器人协同调度-遗传算法.pptx

第11章多机器人协同调度-遗传算法智慧物流系统：从设计到实现

教学内容CONTENTS1遗传算法2遗传算法起源3遗传算法原理4遗传算法评价

3章节目标理解遗传算法的基本原理与起源；掌握遗传算法的核心进程与实现方法；了解与评估遗传算法的优点、缺点及应用场景。

4遗传算法：遗传算法(GeneticAlgorithm,GA)于1975年由美国密歇根大学的Holland教授提出，是建立在达尔文的生物进化论和孟德尔的遗传学说基础上的一种随机有哪些信誉好的足球投注网站算法。它是模拟达尔文生物进化论的自然选择和遗传学机理生物进化过程的计算模型，是一种通过模拟自然进化过程有哪些信誉好的足球投注网站最优解的方法。1遗传算法遗传算法具有全局有哪些信誉好的足球投注网站能力强、鲁棒性强、灵活性和可扩展性强、并行计算能力强等优点，但求解过程中伴随着大量无为的冗余迭代、效率降低、易出现过早收敛与局部最优解等现象。

5算法起源：遗传算法的思想源于“自然选择”和“优胜劣汰”的进化规律，它通过计算的方法类比并模拟了生物学中的遗传进化过程，主要包括三个核心进程，如下表所示：2遗传算法起源生物解释计算机解释选择物竞天择，适者生存。生物种群中环境适应度高的个体得以生存，适应度低的个体容易死亡。计算机种群中每个个体都拥有适应度，根据适应度的大小决定个体是否被遗传到下一代种群中。该个体遗传到下一代的概率与其适应度成正比。交配两个个体交配时，两个匹配的染色体可能进行基因交换。设置一个交叉概率，从种群中随机选择两个基因个体，这两个基因个体按照交叉概率进行基因交换，基因交换的位置随机选取。变异种群中任意个体的任意基因片段都有可能发生基因变异。设置一个变异概率，从种群中随机选择一个个体，该个体按照变异概率进行基因变异，变异的基因位置是随机的。

61.基因与个体在生物学中，用“AA”、“Aa”、“aa”来表示基因的性状。在标准的遗传算法中，使用二进制的符号集{0,1}和十进制来表示等位基因，A用二进制符号的0来表示，a用二进制符号的1来表示。2遗传算法起源一对等位基因二进制符号十进制AA000Aa/aA011102aa113遗传算法中的基因表示

71.基因与个体在解决实际问题时，根据实际问题的情况给等位基因赋予具体的性状，比如机器人的运动方向、目的地等。对于复杂的问题可以采用多位的二进制符号来表示一对等位基因，即如果用n位二进制符号表示一对等位基因，则有2n种表示性状。这与“自然界中大多数性状是由多对等位基因决定”的实际情况也是相吻合的。2遗传算法起源

81.基因与个体在标准遗传算法中，使用固定长度的二进制符号串来表示个体，即根据实际情况设置一个固定的基因长度，比如固定长度为6，则某一个体的基因序列可能为：011011011000或011001111000……一个固定长度的基因个体，理论上应当有4**6=4096种不同的排列方式。当固定长度增加1，长度从6变为7时，所有可能排列的总数就会迅速扩增到4**7=16384种，在这些排列组合中只有一种或几种基因序列是最适应自然环境的，即为最优解。当基因长度越长，基因库就越庞大，计算量就会呈指数增长。2遗传算法起源

92.种群在生物学中，在一定时间内占据一定空间的同种生物的所有个体，被称为种群。在计算机中，用固定基因长度的二进制符号表示个体，因此，用固定数量的具有固定基因长度的二进制符号串来表示种群。2遗传算法起源在自然界中，初代种群往往只有具体的数量，因此是无法包括所有的性状，它们只具备部分的性状。在生存过程中，种群中可能会有一部分适应度低的个体被自然界淘汰。因此，每一代种群都会根据适应度来判断是否削减种群中的个体；通过杂交的概率决定是否发生杂交去产生新的性状个体；通过变异的概率来决定是否发生变异去产生新的性状个体。

102遗传算法起源种群迭代的过程

113.适应度自然界中的“物竞天择，适者生存”在计算机中同样适用，在计算机中通过给定一个适应度的算子用来计算所有个体是否适应“自然”。根据实际问题，计算适应度S的表达式并不相同。例如在路径规划问题中，可以使用路径长度的倒数作为适应度S，路径越短对应适应度S就越大，即适应度S越高；或者相同步数下走得越远的个体，其适应度被认为更高。确定了适应度S表达式后还需要估计其取值范围，并制定合适的淘汰阈值，即适应度低于阈值的个体将被淘汰，适应度高于阈值的个体将被留下。2遗传算法起源

12算法原理：在遗传算法中，包含五个“随机规则”：①初代种群包含的个体是随机的；②进行交配的个体是随机的；③交配时若发生基因交叉，交叉的基因片段是随机的；④发生变异的个体是随机的；⑤发生变异的基因片段是随机的。3遗传算法原理种群在每一次迭代过程中，通过选择、交配和变异得到的新种群个体数量和初代种群的个体数量相同。选择和