遗传算法

基本算法原理
种群世代更替： • 选择
– 根据适应度进行排序 – 概率选择函数/精英机制
• 交叉
– 对选择的结果进行交叉操作 – 概率交换部分序列生成新序列
• 变异
– 概率变异
算法原理
选择算子：
• 轮盘赌选择法 • 排序选择法 • 最优个体/截断选择法 • 锦标赛选择法
算法原理 适应度轮盘赌
选择算子：
• 轮盘赌选择法
• 选择保留的父代数量为n
个体1 个体2 个体3 个体4 个体5 个体6 个体7 个体8
个体ID
1
2
3
4
5
6
7
8
适应度
9.5
7
7.5
3
1.5
8
4
1
被选概率 0.23
0.17
0.18
0.07
0.04
0.19
0.1
0.02
累积概率 0.23
0.77
0.6
0.94
0.98
0.42
0.87
1
遗传算法简介
主讲人：
目录
1. 背景简介……………遗传算法的生物学背景 2. 算法原理……………算法流程及算子的介绍 3. 算法评价……………优缺点及适用性评估
背景简介
遗传算法的生物学原理：
• 适者生存原则 • 自然选择 • 遗传和变异 • 种群演化
遗传算法适用场景
• NP问题：一个问题的单个解可以在有限时 间内被验证。
研究改进方向
• 收敛性/早熟的预防 • 遗传算子的设计 • 遗传算子的自适应设计 • 并行化研究
感谢倾听
基本算法原理
初始化人工种群：
• 确定个体：对问题进行编码
浮点数编码：真值编码 二进制编码：解空间映射到二进制序列
• 确定种群：
确定种群数量上限（20~100） 加入随机的个体 交叉/变异概率
基本算法原理
计算适应度：
• 适应度函数的选择
– 有目标：以结果函数为评估函数为原型 – 无明确目标：种群的变化率
• 具体适用于诸多领域如函数优化、组合优 化、生产调度、自动控制、机器学习、图 像处理、人工生命、遗传编程、机器学习、 数据挖掘等。均有很好的表现。
基本算法原理
一般流程：
1.初始化人工种群 种群>个体>染色体>基因
2.计算个体的适应度 3.进行选择，交叉，变异等操作 4.迭代2，3步，直到满足停止规则
1
2
3
4
5
6
7
8
适应度 9.5
7
7.5
3
1.5
Βιβλιοθήκη Baidu
8
4
1
算法原理
选择算子：
• 锦标赛选择法
个体ID
1
2
3
4
5
6
7
8
适应度 9.5
7
7.5
3
1.5
8
4
1
7>1.5 => 选择2作为父代
算法原理
选择算子：
• 轮盘赌选择法 • 排序选择法 • 最优个体/截断选择法 • 锦标赛选择法 影响：适应度函数转换，选择强度，收敛速 度，解的多样性
算法原理
选择算子：
• 排序选择法
个体ID
1
2
3
4
5
6
7
8
适应度
9.5
7
7.5
3
1.5
8
4
1
个体ID
1
6
3
2
7
4
5
8
适应度 9.5
8.0
7.5
7.0
4.0
3.0
1.5
1.0
被选概 率
0.22
0.2
0.17
0.14
0.1
0.08
0.06
0.03
算法原理
选择算子：
• 最优个体/截断选择法
n=4
个体ID
11
范围[0，8]，根据高斯分布取 可能的变异值，取值概率符 合正态分布
遗传算法的优势
• 适用于灰箱/黑箱问题 • 潜在并行性 • 适应度函数评价，计算复杂度小 • 收敛性强 • 具有可扩展性，易与其他算法结合
遗传算法的不足
• 早熟/过早收敛 • 不适用于局部搜索 • 计算量大，搜索时间长 • 并行性开发不够充分
10101100 10100100
算法原理
变异算子：
• 均匀变异：均匀随机分布值替换
1 1.5 3 4.7 1.6 4
5
11
范围[0，8]，步长取2，可能的变异值：0，2，4，6，8，取 到每个变异值的概率相同
算法原理
变异算子：
• 高斯近似变异：正态分布值替换
1 1.5 3 4.7 1.6 4
5
算法原理
交叉算子：
• 单点交叉/两点交叉/多点交叉 • 均匀交叉/离散交叉
算法原理
交叉算子：
• 单点交叉/两点交叉/多点交叉：
10101100
10110010
00110010
00101100
算法原理
交叉算子：
• 单点交叉/两点交叉/多点交叉：
10101100
10111100
00110010
00100010
算法原理
交叉算子：
• 均匀交叉/离散交叉：基于固定概率
10101100
10101000
00110010
00110110
算法原理
变异算子：
• 基本位变异：基因反转/等位值替换 • 均匀变异：均匀随机分布值替换 • 高斯近似变异：正态分布值替换
算法原理
变异算子： • 基本位变异：基因反转/等位值替换