【精品】遗传算法(Genetic Algorithm)PPT课件共24页文档

0 0 1 0 0 4 16
随
0 1 1 1 1 15 225 机
选 择
1 0 1 0 1 21 441 配
对
1 1 0 0 0 24 576
1 1 0 0 1 25 625
遗传算法
15
SGA—变异(mutation)
• 以概率Pm对染色体的每一位独立进行异向转化 • 典型的Pm 介于(popsize)-1和 (chrosize)-1之间
染色体 选择率 累积概率
A 0.01 0.00 ~ 0.01 B 0.16 0.01 ~ 0.17 C 0.38 0.17 ~ 0.55 D 0.45 0.55 ~ 1.00 ∑ 1.00
遗传算法
20
SGA流程
开始
初始化种群
计算适应度
满足终止
是
条件？
否
依次进行交叉、变异和选择操作
计算适应度
结束
遗传算法
X 编码
Xcode
5
00101
解码
遗传算法
8
SGA—相关概念
• 染色体(chromosome)：问题的一个可行（候选） 解的编码形式。
遗传算法
9
SGA—相关概念
• 染色体(chromosome)：问题的一个可行（候选） 解的编码形式。
• 种群(Population)：染色体的集合。遗传算法基于 种群进行“进化”。
x F(x)
x F(x)
0 0 1 0 0 4 16
0 1 1 1 1 15 225
1 0 1 0 1 21 441
1 0 1 0 1 21 441
1 1 0 0 1 25 625
遗传算法
16
SGA—变异(mutation)
• 以概率Pm对染色体的每一位独立进行异向转化 • 典型的Pm 介于(popsize)-1和 (chrosize)-1之间
随
0 1 1 1 1 15 225 机
选 择
1 0 1 0 1 21 441 配
对
1 1 0 0 0 24 576
1 1 0 0 0 245 567265
遗传算法
14
SGA—交叉(crossover)
• 典型的交叉概率Pc ∈ (0.6, 0.9) x F(x)
x F(x)
0 0 1 0 1 5 25
组织结构
1. 生物原型
2. 理论模型
3. 算法示例
王海军 （数学与统计学院）
遗传算法
1
生物原型
Charles Darwin， 英，1809—1882
《物种起源》，1859 观点：物竞天择，适者生存
王海军 （数学与统计学院）
遗传算法
2
进化—交叉(crossover)
染色体1
染色体1’
染色体2
染色体2’
x F(x)
x F(x)
0 0 1 0 0 4 16
0 1 1 1 1 15 225
1 0 1 0 1 21 441
1 0 1 1 1 23 529
1 1 0 0 1 25 625
遗传算法
17
SGA—选择(selection)
• 原则：更好的染色体有更多的机会 • 方法：轮盘赌等方法
遗传算法
18
SGA—选择(selection)
• 原则：更好的染色体有更多的机会 • 方法：轮盘赌等方法
染色体
A B C D ∑
适应度
16 225 529 625 1395
选择率
0.01 0.16 0.38 0.45 1.00
累积概率
0.00 ~ 0.01 0.01 ~ 0.17 0.17 ~ 0.55 0.55 ~ 1.00
遗传算法
19
ቤተ መጻሕፍቲ ባይዱ盘赌模型与实现
遗传算法
10
SGA—相关概念
• 染色体(chromosome)：问题的一个可行（候选） 解的编码形式。
• 种群(Population)：染色体的集合。遗传算法基于 种群进行“进化”。
• 适应度函数(Fitness Function)：染色体适应问题 环境的度量。适应度越大，越符合问题要求。
遗传算法
遗传算法
6
SGA思路
人工模拟适者生存
遗传算法
7
SGA—编码与解码
• 编码(Encoding)：将问题解的结构转化为计算机 可处理的类似生物染色体的位串形式。
• 解码(Decoding)：编码过程的反过程。 example
Max F(x) = x2 Subject to: : 0 ≤ x ≤ 27, x∈Integer
11
SGA—交叉(crossover)
• 典型的交叉概率Pc ∈ (0.6, 0.9)
遗传算法
12
SGA—交叉(crossover)
• 典型的交叉概率Pc ∈ (0.6, 0.9) x F(x)
x F(x)
0 0 1 0 1 5 25
0 0 1 0 1 5 25
随
0 1 1 1 1 15 225 机
21
谢谢！
遗传算法
22
谢谢！
xiexie!
谢谢！
xiexie!
王海军 （数学与统计学院）
遗传算法
3
进化—变异(mutation)
染色体1
染色体1’
王海军 （数学与统计学院）
遗传算法
4
进化—选择(selection)
第i代
遗传算法
第i+1代
5
理论模型
John Holland，美，1929—
《自然与人工系统中的适应》，1975 简单遗传算法(SGA) 智能是自然界进化的某种延伸
选 择
1 0 1 0 1 21 441 配
对
随 机 选 择 交 叉 点
1 1 0 0 0 24 576
1 1 0 0 0 24 576
遗传算法
13
SGA—交叉(crossover)
• 典型的交叉概率Pc ∈ (0.6, 0.9) x F(x)
x F(x)
0 0 1 0 1 5 25
0 0 1 0 1 54 2156