【精品】遗传算法(Genetic Algorithm)PPT课件共24页文档
合集下载
遗传算法_精品文档

几种方法求得: • 预先指定的一个较大的数。 • 进化到当前代为止的最大目标函数值。 • 当前代或最近几代群体中的最大目标函数值。
遗传算法
2.名词解释
(3)染色体与基因
染色体(chromosome) 就是问题中个体的某种字符串形式的编码表示。字符串
中的字符也就称为基因(gene)。
例如:
个体
染色体
• 预先指定的一个较小的数。 • 进化到当前代为止的最小目标函数值。 • 当前代或最近几代群体中的最小目标函数值。
遗传算法
➢ 个体适应度评价
方法二:对于求目标函数最小值的优化问题,变换方法为:
F(X) =
Cmax - f(X) if f(X) Cmax
0
if f(X) Cmax
其中,Cmax是一个适当地相对比较大的数,它可用下面
遗传算法
➢ 选择-复制操作
[论盘选择示例]
个体序号 适应度
适应度累计值 随机数
被选中的个体号
1 2 3 4 5 6 7 8 9 10 8 2 17 7 2 12 11 7 3 7 8 10 27 34 36 48 59 66 69 76 1 9 17 25 33 41 49 57 65 73 1 2 3 3 4 6 7 7 8 10
种群
繁殖
变异
交叉
后种群
遗传算法
1. 处理步骤
(1)对优化问题构造初始可行解解集并对其编码,每个可行 解的编码对应于遗传中的一条染色体,编码的目的是为了方便 后续处理。
→ 种群 (2)对每个可行解进行评价,淘汰一部分较差的可行解,剩 下的可行解构成一个可以繁殖下一代的群体。
→ 繁殖 (3)淘汰后剩下的可行解两两交叉繁殖出新的子代解。
遗传算法
2.名词解释
(3)染色体与基因
染色体(chromosome) 就是问题中个体的某种字符串形式的编码表示。字符串
中的字符也就称为基因(gene)。
例如:
个体
染色体
• 预先指定的一个较小的数。 • 进化到当前代为止的最小目标函数值。 • 当前代或最近几代群体中的最小目标函数值。
遗传算法
➢ 个体适应度评价
方法二:对于求目标函数最小值的优化问题,变换方法为:
F(X) =
Cmax - f(X) if f(X) Cmax
0
if f(X) Cmax
其中,Cmax是一个适当地相对比较大的数,它可用下面
遗传算法
➢ 选择-复制操作
[论盘选择示例]
个体序号 适应度
适应度累计值 随机数
被选中的个体号
1 2 3 4 5 6 7 8 9 10 8 2 17 7 2 12 11 7 3 7 8 10 27 34 36 48 59 66 69 76 1 9 17 25 33 41 49 57 65 73 1 2 3 3 4 6 7 7 8 10
种群
繁殖
变异
交叉
后种群
遗传算法
1. 处理步骤
(1)对优化问题构造初始可行解解集并对其编码,每个可行 解的编码对应于遗传中的一条染色体,编码的目的是为了方便 后续处理。
→ 种群 (2)对每个可行解进行评价,淘汰一部分较差的可行解,剩 下的可行解构成一个可以繁殖下一代的群体。
→ 繁殖 (3)淘汰后剩下的可行解两两交叉繁殖出新的子代解。
Genetic Algorithms(遗传算法)PPT课件

Encoding
{0,1}L
(representation)
010001001
011101001 Decoding (inverse representation)
A.E. Eiben and J.E. Smith, Introduction to Evolutionary Computing Genetic Algorithms
Holland’s original GA is now known as the simple genetic algorithm (SGA)
Other GAs use different:
– Representations – Mutations – Crossovers – Selection mechanisms
probability pc , otherwise copy parents 4. For each offspring apply mutation (bit-flip with
probability pm independently for each bit) 5. Replace the whole population with the resulting
Main idea: better individuals get higher chance
– Chances proportional to fitness
– Implementation: roulette wheel technique
– many variants, e.g., reproduction models, operators
A.E. Eiben and J.E. Smith, Introduction to Evolutionary Computing Genetic Algorithms
遗传算法(GeneticAlgorithm)PPT课件

2021
14
选择(Selection)
设种群的规模为N xi是i为种群中第i个染色体
1/6 = 17%
A BC
3/6 = 50% 2/6 = 33%
染色体xi被选概率
ps (xi )
F (xi )
N
F(xj)
j 1
fitness(A) = 3 fitness(B) = 1 fitness(C) = 2
假如交叉概率Pc =50%,则交配池中50%的染色体(一半染色体) 将进行交叉操作,余下的50%的染色体进行选择(复制)操作。
GA利用选择和交叉操作可以产生具有更高平均适应值 和更好染色体的群体
2021/3/21
2021
22
变异(Mutation)
➢ 以 编变码异时概,变率P异m改的变基染因色由体0变的成某1一,个或基者因由,1当变以成二0。进制 ➢ 变 间,异平概均率约Pm 1一-2般% 介于1/种群规模与1/染色体长度之
编码(Coding)
10010001
10010010
010001001 011101001
解码(Decoding)
2021/3/21
2021
13
选择(Selection)
➢ 选择(复制)操作把当前种群的染色体按与适应值成正比 例的概率复制到新的种群中
➢ 主要思想: 适应值较高的染色体体有较大的选择(复制) 机会
➢交叉(crossover):
将群体P(t)内的各个个体随机搭配成对,对每一个
个 rat体e),交以换某它个们概之率间P的c (部称分为染交色叉体概。率,crossvoer
➢变异(mutation):
变对异群概体率P,(tm)u中ta的ti每on一r个at个e)体改,变以某某一一个概或率一P些m(基称因为座
遗传算法ppt

现代优化算法-遗传算法
于是,得到第二代种群 S 2 :
s1 11001 25 , s2 01100 12 , s3 11011 27 , s4 10000 16
第二代种群 S2 中各染色体的情况如表 10-1 所示。 表 10-1 第二代种群 S2 中各染色体的情况 染色体 s1=11001 s2=01100 s3=11011 s4=10000 适应度 625 144 729 256 选择概率 积累概率 估计的选中次数 0.36 0.08 0.41 0.15 0.36 0.44 0.85 1.00 1 0 2 1
0, 1 二进制串。串的长度取决于求解的精度,例如假设解空间为[-1,
因为 221<3106<222,所以编码所用的二进制串至少需要 22 位。
2],求解精度
为保留六位小数,由于解空间[-1, 2]的长度为 3,则必须将该区间分为 3106 等分。
现代优化算法-遗传算法
(1) 采用 5 位二进制数编码染色体,将种群规模设定为 4,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) 定义适应度函数为目标函数 f x x 2 (3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,直到适应 度最高的个体,即 31(11111)出现为止。迭代的过程为: 首先计算种群 S1 中各个体 si 的适应度 f si 如下。
f ( s1 ) f (13) 132 169; f ( s2 ) f (24) 24 2 576; f ( s3 ) f (8) 82 64; f ( s4 ) f (19) 19 2 61
遗传算法详解ppt课件

A1=0110 | 1 A2=1100 | 0 交叉操作后产生了两个新的字符串为:
A1’=01100 A2’=11001
一般的交叉操作过程:
图5-2 交叉操作
遗传算法的有效性主要来自于复制和交叉操作。复制虽然能够从旧种 群中选择出优秀者,但不能创造新的个体;交叉模拟生物进化过程中 的繁殖现象,通过两个个体的交换组合,来创造新的优良个体。
遗传算法在以下几个方面不同于传统优化 方法
① 遗传算法只对参数集的编码进行操作,而不是 参数集本身。
② 遗传算法的搜索始于解的一个种群,而不是单 个解,因而可以有效地防止搜索过程收敛于局部 最优解。
③ 遗传算法只使用适值函数,而不使用导数和其 它附属信息,从而对问题的依赖性小。
④ 遗传算法采用概率的、而不是确定的状态转移 规则,即具有随机操作算子。
表6-3列出了交叉操作之后的结果数据,从中可以看出交叉操作 的具体过程。首先,随机配对匹配集中的个体,将位串1、2配对,位
串3、4配对;然后,随机选取交叉点,设位串1、2的交叉点为k=4,
二者只交换最后一位,从而生成两个新的位串,即 串 串 1 2 : : 1 01 11 00 0 1 0 1 01 11 00 01 0 新 新 1 2串 串
图5–3
遗传算法的工作原理示意图
5.2 遗传算法应用中的一些基本问题
5.2.1 目标函数值到适值形式的映射
适值是非负的,任何情况下总希望越大越好;而目标 函数有正、有负、甚至可能是复数值;且目标函数和适值 间的关系也多种多样。如求最大值对应点时,目标函数和 适值变化方向相同;求最小值对应点时,变化方向恰好相 反;目标函数值越小的点,适值越大。因此,存在目标函 数值向适值映射的问题。
5.遗传算法
A1’=01100 A2’=11001
一般的交叉操作过程:
图5-2 交叉操作
遗传算法的有效性主要来自于复制和交叉操作。复制虽然能够从旧种 群中选择出优秀者,但不能创造新的个体;交叉模拟生物进化过程中 的繁殖现象,通过两个个体的交换组合,来创造新的优良个体。
遗传算法在以下几个方面不同于传统优化 方法
① 遗传算法只对参数集的编码进行操作,而不是 参数集本身。
② 遗传算法的搜索始于解的一个种群,而不是单 个解,因而可以有效地防止搜索过程收敛于局部 最优解。
③ 遗传算法只使用适值函数,而不使用导数和其 它附属信息,从而对问题的依赖性小。
④ 遗传算法采用概率的、而不是确定的状态转移 规则,即具有随机操作算子。
表6-3列出了交叉操作之后的结果数据,从中可以看出交叉操作 的具体过程。首先,随机配对匹配集中的个体,将位串1、2配对,位
串3、4配对;然后,随机选取交叉点,设位串1、2的交叉点为k=4,
二者只交换最后一位,从而生成两个新的位串,即 串 串 1 2 : : 1 01 11 00 0 1 0 1 01 11 00 01 0 新 新 1 2串 串
图5–3
遗传算法的工作原理示意图
5.2 遗传算法应用中的一些基本问题
5.2.1 目标函数值到适值形式的映射
适值是非负的,任何情况下总希望越大越好;而目标 函数有正、有负、甚至可能是复数值;且目标函数和适值 间的关系也多种多样。如求最大值对应点时,目标函数和 适值变化方向相同;求最小值对应点时,变化方向恰好相 反;目标函数值越小的点,适值越大。因此,存在目标函 数值向适值映射的问题。
5.遗传算法
遗传算法pptPPT课件

轮盘赌选择又称比例选择算子,它的基本思想是: 各个个体被选中的概率与其适应度函数值大小成 正比。
P(xi )
f (xi )
N
f (xj)
j 1
第18页/共66页
上述按概率选择的方法可用一种称为赌轮的原理来实现。 即做一个单位圆, 然后按各个染色体的选择概率将圆面划分 为相应的扇形区域(如图1所示)。这样, 每次选择时先转动轮 盘, 当轮盘静止时,上方的指针所正对着的扇区即为选中的扇 区,从而相应的染色体即为所选定的染色体。 例如, 假设种群 S中有4个染色体: s1,s2, s3, s4,其选择概率依次为: 0.11, 0.45, 0.29, 0.15, 则它们在轮盘上所占的份额如图1中的各扇形区域 所示。
i
qi P(xj ) j 1
第20页/共66页
一个染色体xi被选中的次数, 可以用下面的期望值 e(xi)来确定:
e(xi ) P(xi ) N
f (xi )
N
N
f (xj)
N
f (xi ) f (xj)/ N
f (xi ) f
j 1
j 1
其中f 为种群S中全体染色体的平均适应度值。
图1 赌轮选择示例
第19页/共66页
在算法中赌轮选择法可用下面的过程来模拟:
① 在[0, 1]区间内产生一个均匀分布的伪随机数r。 ② 若r≤q1,则染色体x1被选中。 ③ 若qk-1<r≤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:
步2 随机产生U中的N个染色体s1, s2, …, sN,组成初始 种群S={s1, s2, …, sN},置代数计数器t=1;
遗传算法——遗传算法PPT课件

第25页/共81页
(3)遗传算子:基本遗传算法使用下述三种遗传算 子: ① 选择运算:使用比例选择算子; ② 交叉运算:使用单点交叉算子; ③ 变异运算:使用基本位变异算子或均匀变异算子。
第26页/共81页
(4)基本遗传算法的运行参数 有下述4个运行参数需要提前设定:
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;
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具,在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
第19页/共81页
(4)自动控制。 在自动控制领域中有很多与优化相关的问题需要求
解,遗传算法已经在其中得到了初步的应用。例如, 利用遗传算法进行控制器参数的优化、基于遗传算法 的模糊控制规则的学习、基于遗传算法的参数辨识、 基于遗传算法的神经网络结构的优化和权值学习等。
第22页/共81页
(9)机器学习 基于遗传算法的机器学习在很多领域都得到了应
用。例如,采用遗传算法实现模糊控制规则的优化,可 以改进模糊系统的性能;遗传算法可用于神经网络连接 权的调整和结构的优化;采用遗传算法设计的分类器系 统可用于学习式多机器人路径规划。
第23页/共81页
10.4 遗传算法的优化设计
(2)变异:亲代和子代之间以及子代的不同个体之间 的差异,称为变异。变异是随机发生的,变异的选择 和积累是生命多样性的根源。
(3)生存斗争和适者生存:具有适应性变异的个体被 保留下来,不具有适应性变异的个体被淘汰,通过一 代代的生存环境的选择作用,性状逐渐逐渐与祖先有 所不同,演变为新的物种。
(3)遗传算子:基本遗传算法使用下述三种遗传算 子: ① 选择运算:使用比例选择算子; ② 交叉运算:使用单点交叉算子; ③ 变异运算:使用基本位变异算子或均匀变异算子。
第26页/共81页
(4)基本遗传算法的运行参数 有下述4个运行参数需要提前设定:
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;
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具,在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
第19页/共81页
(4)自动控制。 在自动控制领域中有很多与优化相关的问题需要求
解,遗传算法已经在其中得到了初步的应用。例如, 利用遗传算法进行控制器参数的优化、基于遗传算法 的模糊控制规则的学习、基于遗传算法的参数辨识、 基于遗传算法的神经网络结构的优化和权值学习等。
第22页/共81页
(9)机器学习 基于遗传算法的机器学习在很多领域都得到了应
用。例如,采用遗传算法实现模糊控制规则的优化,可 以改进模糊系统的性能;遗传算法可用于神经网络连接 权的调整和结构的优化;采用遗传算法设计的分类器系 统可用于学习式多机器人路径规划。
第23页/共81页
10.4 遗传算法的优化设计
(2)变异:亲代和子代之间以及子代的不同个体之间 的差异,称为变异。变异是随机发生的,变异的选择 和积累是生命多样性的根源。
(3)生存斗争和适者生存:具有适应性变异的个体被 保留下来,不具有适应性变异的个体被淘汰,通过一 代代的生存环境的选择作用,性状逐渐逐渐与祖先有 所不同,演变为新的物种。
《遗传算法》PPT课件

2021/7/12
33
一、遗传算法入门
生物只有经过许多世代的不断演化(evolution),才能 更好地完成生存与繁衍的任务。 遗传算法也遵循同样的方式,需要随着时间的推移不 断成长、演化,最后才能收敛,得到针对某类特定问 题的一个或多个解。 因此,了解一些有关有生命的机体如何演化的知识, 对理解遗传算法的演化机制是是有帮助的。我们将扼 要阐述自然演化的机制(通常称为“湿”演化算法), 以及与之相关的术语。理解自然演化的基本机制。我 想,你也会和我一样,深深叹服自然母亲的令人着迷!
2021/7/12
23
智能交通
2021/7/12
24
图像识别系统
2021/7/12
25
云松
銮仙玉骨寒, 松虬雪友繁。 大千收眼底, 斯调不同凡。
2021/7/12
26
(无题)
白沙平舟夜涛声, 春日晓露路相逢。 朱楼寒雨离歌泪, 不堪肠断雨乘风。
2021/7/12
27
2021/7/12
28
2021/7/12
1.7.12 智能制造
1.7.13 智能CAI
1.7.14 智能人机接口
1.7.15 模式识别
1.7.16 数据挖掘与数据库中的知识发现
1.7.17 计算机辅助创新
1.7.18 计算机文艺创作
1.7.19 机器博弈
1.7.20 智能机器人
2021/7/12
18
1.8 人工智能的分支领域与研究方向
从模拟的层次和所用的方法来看,人工智能可分为符号智 能和计算智能两大主要分支领域。而这两大领域各自又有 一些子领域和研究方向。如符号智能中又有图搜索、自动 推理、不确定性推理、知识工程、符号学习等。计算智能 中又有神经计算、进化计算、免疫计算、蚁群计算、粒群 计算、自然计算等。另外,智能Agent也是人工智能的一 个新兴的重要领域。智能Agent或者说Agent智能则是以符
第四章:遗传算法 ppt课件

因此对优化问题(函数)的限制较弱,灵活,通用性(普 适性)强,有着较广泛的应用领域.
GA利用概率转移规则, 而非确定性规则. GA在解空间内不是盲目的穷举或完全随机测试,
而是一种启发式搜索,效率优于其它算法。
4.1 引言
GA的优点:
较容易的和其它方法结合 避免陷入局部最优解
即使在较短的有限时间内,也能获得较好的次优解、 满意解.
它是基于进化过程中的信息遗传机制和优胜劣汰的自然 选择原则的搜索算法,是通过对生物进化的归纳和模拟得 到的一种仿生算法.
GA在本质上是一种不依赖具体问题的直接搜索方法,是 一种具有普适性的优化方法.
GA的发展历程为:
1965年,Michigan大学的Holland首次提出了人工遗传 操作的重要性,并把这些应用于自然系统和人工系统中.
4.2.3 GA的基本概念与术语
生物群体的进化机制包括三种基本形式:
自然选择 杂交 突变 另外,外界对生物的评价反映了生物的生存价值和机
会.
受到生物进化过程的启迪,模拟生物进化的优 化方法—GA得到重视并迅速发展.
4.2.3 GA的基本概念与术语
4.2 GA的基本概念
GA的基本思想是基于达尔文(Darwin)进化 论和门德尔(Mendel)的遗传学说的,下面将分 别介绍:
Darwin进化论及进化系统模型 Mendel的遗传学说 GA的基本概念与术语
4.2.1 Darwin进化论及进化系统模型
Darwin(1809-1882, Father of the evolution theory)进化论最 重要的是适者生存(Survival of the fittest)原理.
物种每个个体的基本特征由后代所继承,但后代 又会产生一些异于父代的新变化.
GA利用概率转移规则, 而非确定性规则. GA在解空间内不是盲目的穷举或完全随机测试,
而是一种启发式搜索,效率优于其它算法。
4.1 引言
GA的优点:
较容易的和其它方法结合 避免陷入局部最优解
即使在较短的有限时间内,也能获得较好的次优解、 满意解.
它是基于进化过程中的信息遗传机制和优胜劣汰的自然 选择原则的搜索算法,是通过对生物进化的归纳和模拟得 到的一种仿生算法.
GA在本质上是一种不依赖具体问题的直接搜索方法,是 一种具有普适性的优化方法.
GA的发展历程为:
1965年,Michigan大学的Holland首次提出了人工遗传 操作的重要性,并把这些应用于自然系统和人工系统中.
4.2.3 GA的基本概念与术语
生物群体的进化机制包括三种基本形式:
自然选择 杂交 突变 另外,外界对生物的评价反映了生物的生存价值和机
会.
受到生物进化过程的启迪,模拟生物进化的优 化方法—GA得到重视并迅速发展.
4.2.3 GA的基本概念与术语
4.2 GA的基本概念
GA的基本思想是基于达尔文(Darwin)进化 论和门德尔(Mendel)的遗传学说的,下面将分 别介绍:
Darwin进化论及进化系统模型 Mendel的遗传学说 GA的基本概念与术语
4.2.1 Darwin进化论及进化系统模型
Darwin(1809-1882, Father of the evolution theory)进化论最 重要的是适者生存(Survival of the fittest)原理.
物种每个个体的基本特征由后代所继承,但后代 又会产生一些异于父代的新变化.
知识工程与知识管理第4章3遗传算法.ppt

4.3.2 优化模型的遗传算法求解
遗传算法用于优化计算例
例1:求发f(x)=x2 在[0,31]上的 最大值。
一、初始种群 1.编码:用五位二进制表示x,有 x=0 → 0 0 0 0 0 x=31 → 1 1 1 1 1 2.初始种群 随机产生4个个体:13 , 24 , 8 ,19
3.适应值fi 直接用目标函数作为适应值:fi=xi2
在分类器系统中,对产生式规则的语法作了很大的 限制,采用了定长的表示形式,从而适于采用遗传 操作。
4.3.3.1遗传分类学习系统 GCLS的基本原理
我们研制的遗传分类学习系统GCLS是一种字 符串规则(分类器)的学习系统。
它将规则“条件condition”和“结论action” 合并成消息个体,也称分类器。
参变量编码成位串个体,通过遗传算子进行操作。 不是对参数变量进行直接操作。
遗传算法利用适应值信息,而不需要导数或其它 辅助信息。
遗传算法用适应值评估个体,用遗传算子产生更 优后代,不需要像神经网络中用梯度公式引导。
隐含并行性:
遗传算法是对N个位串个体进行运算,它 隐含了大量的模式(用通配符#包含的个 体)
1. 初始化所有预置参数。 2. 将环境信息放入消息表中。 3. 对初始种群调用信任分配算法,修改其中规则
交叉概率Pc、变异概率Pm、终止代数T
等
这些参数对遗传算法的运行影响很大, 需要认真选择。
4.3.1.3 遗传算子
1、选择(Selection)算子 依据每个染色体的适应值大小,适应值越大,被
选中的概率就越大,其子孙在下一代产生的个 数就越多。
选择操作是建立在群体中个体的适应值评估基础 上的,目前常用的选择算子有适应值比例法、 最佳个体保存法、期望值方法等。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
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
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
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
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
ห้องสมุดไป่ตู้
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
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
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
• 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
轮盘赌模型与实现
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 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”。
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
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)
21
谢谢!
遗传算法
22
谢谢!
xiexie!
谢谢!
xiexie!
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