遗传算法的基本原理和要点

3
二、遗传算法的工作示意图
4
三、遗传算法的基本构成
遗传算法的基本构成通常包含以下五部分： （1）求解问题或解的遗传编码 （2）产生初始种群的规则 （3）评价个体或染色体优劣的适值或评价函数 （4）产生子代的遗传操作 （5）控制进化过程的各参数设置
5
一、遗传编码 1.二进制编码：不能有效解决许多实际问题，有明显缺陷。 2.实数编码：用实数或浮点数表示个体，对函数优化问题最有效。 3.整数或字母排列编码：用1-n的自然数，A或a-Z或z的字母的排列构成 问题的解的个体。根据是否允许重复分成顺序编码或非顺序编码。常见 于优化组合问题。 4.一般数据结构编码：对于复杂的优化问题，需要用n维数据或更复杂的 结构表示染色体。
遗传算法的基本原理和要点
1
一、遗传算法简介
1.遗传算法 ( GA , Genetic Algorithm ) ，也称进化算法。其基
本思想基于Darwin的进化论和Mendel的遗传学说。
2.由密西根大学Holland教授创建于1975年。
3.特点：不易陷入局部最优，具备很好的全局搜索能力和很快的收
13
7
三、选择操作 是指按某种方法从父代种群中选取一些个体，遗传到下一代种群。通常 以适值大小为依据。适值越大越有可能进化为问题的最优解。适值大小 可以直接以问题目标函数值的大小来表示。
包含三个方面：
1.采样空间 2.采样机理 3.选择概率
8
1.采样空间 由两个因素来确定：大小和成分（父代与子代） 令pop_size为种群大小，off_size为子代大小，规则的采样空间为pop_size ，含有所有的子代与部分父代，扩大的采样空间大小pop_size+off_size, 包含所有的父代与子代。
敛速度。
ቤተ መጻሕፍቲ ባይዱ
2
二、遗传算法的工作原理
一、遗传算法的包含的元素 群体：是一组随机产生的初始解，由此开始搜索过程。 个体：组成种群的单个生物。是问题的一个解，又称为染色体。 交叉与变异：是运算实现的方式，生成下一代染色体，称为后代。 适值与适值函数：染色体的好坏用适值来衡量。度量适值的函数称之为 适值函数
12
四、遗传算法的核心要点
遗传算法交替地在编码空间和解空间中进行操作。从解空间到基因空间 称之为编码，从基因空间到解空间称之为解码。
与解码产生的解的性能有两个基本的概念：不可行和非法性。
不可行起源于约束优化问题。通常用罚方法处理不可行染色体，迫使搜 索分别从可行和不可行两方面迫近最优解。 非法性起源于编码方式。通常由简单单点杂交操作时产生。通常用修补 方法进行由非法染色体向合法染色体转化。修补策略比抛弃法或罚方法 要好。
10
3.选择概率 （1）正比选择：选择概率正比于染色体的适值。 （2）标定法：将原目标函数映射为某个值，用实数值来确定每个染色 体的生存概率。
排序法：忽略实际目标函数值，用染色体顺序来代替。
11
4.参数设定 遗传算法的性能由在搜索空间进行的深度搜索和广度搜索的平衡决定。 这种平衡深受诸如种群规模、最大遗传代数、交叉概率和变异概率等策 略性参数的影响。大多数遗传算法采用的都是固定参数，但是与动态与 适应性的一般的进化思想相违背
9
2.采样机理 （1）随机采样方法：最著名的为Holland正比选择（或称轮盘选择）， 其基本思想为每个染色体的选择概率正比于它的适值，然后构建一个轮 盘，旋转轮盘pop_size次，每次选择一个新的染色体加入种群。
（2）确定采样方法：从采样空间中选择pop_size个最好的染色体，（ μ+λ）：每次在μ个父代和λ个子代中选择μ个个体进入下一代种群或（μ ，λ）：每次选择μ个最好的后代作为下一代双亲（μ<λ)都属于这个方法 。
6
二、遗传操作 1.交叉运算：是指两个相互配对的染色体按某种方式相互交换其部分基 因，从而形成两个新的个体。常用的配对策略是随机配对。 交叉算子的设计包括两个方面的内容：
（1）如何确定交叉点的位置？（2）如何进行部分基因的交换？
2.变异运算：是指将个体编码中的某些基因值用其他基因值来替换，从 而形成一个新的个体。是产生新个体的辅助方法。