遗传算法讲义
合集下载
相关主题
- 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)。
✓ 自然界的进化是一上不断循环的过程，在这一过程中，生 物群体也就不断地完善和发展，可见，生物进化过程本质 上是一种优化过程，在计算科学上具有直接的借鉴意义。 在计算机技术迅猛发展的时代，生物进化过程不仅可以在 计算机上模拟实现，而且还可以模拟进化过程，创立新的 优化计算方法，并应用到复杂工程领域中，这就是GA等 一类模拟自然进化的计算方法的思想源泉。
➢ 1967年John Holland的学生J.D.Bagley通过对跳棋 游戏参数的研究，在博士论文中首次提出了“遗传 算法”一词。
2020/5/23
➢ 1975年，Holland出版了专著《自然一人工系统中的适应 性行为》（Adaptation in Natural and Artificial System），该书系统地阐述了遗传算法的基本理论和方 法，提出了对遗传算法的理论发展极为重要的模式和理论， 其中首次确认也选择、交叉、变异等遗传算子，以及遗传 算法的隐并行性，并将遗传算法应用于适应性系统模拟、 函数优化、机器学习、自动控制等领域。
2020/5/23
2020/5/23
进化
变异 遗传 生存斗争
交叉 突变 选择 复制
遗传算法概述
1. 复制 生物的主耍遗传方式是复制。遗传过程中，父代的遗传物质DNA被复制
到子代。即细胞在分裂时，遗传物质DNA通过复制(Reproduction)而转移到 新生的细胞中，新细胞就继承了旧细胞的基因。 2. 交叉
遗传算法简介
✓ 20世纪40年代以来，科学家不断努力从生物学中寻求用 于计算科学和人工系统的新思想、新方法，很多学者对关 于从生物进化和遗传的机理中发展出适合于现实世界复杂 适应系统研究的计算技术——自然进化系统的模型和模拟 进化算法等 ，进行了开拓性的长期探索和研究，Holland 及其学生首先提出的遗传算法（GA）就是一个重要的发 展方向。
➢ 1992年，Koza教授出版了第一本遗传规划专著 Genetic Programming ,两年之后又出版了第二 本关于遗传规划的专者，他通过大量的实验说明 了遗传规划能够成功地解决一类复杂问题，为基 于符号表示的函数学习问题增添了一个强有力的 工具。
2020/5/23
➢ 1985年在美国召开了第一届遗传算法国际会议， 即ICGA。这次会议是遗传算法发展的重要里程碑， 此会以后每隔一年举行一次。从1999年起， ICGA和GP的系列会议合并为每年一次的遗传和 进化国际会议。
2020/5/23
遗传算法的发展
➢ 1962年,John Holland在Outline for a Logic Theory of Adaptive Systems 一文中,提出了所谓 监控程序的概念,即利用群体进化模拟适应性系统的 思想,他注意到在建立智能机器的研究中,不仅可以 完成单个生物体的适应性改进,而且通过一个种群许 多代的进货也可以产生非常好的适应性效果。为了 获得一个好的学习方法，仅靠单个策略的改进是不 够的，采用多策略的群体系列往往能产生显著的学 习效果。在这里他提出了群体、适应值、选择、变 异、交叉等基本概念。
2020/5/23
遗传算法内涵
1.2. 基本遗传算法的运算过程
编码
将实际问题转化为计算机能够“看懂”的代码。（比如二进制码） 选择(复制)： 根据各个个体的适应度，按照一定的规则或方法，从第t代群体P(t)
中选择出一些优良的个体遗传到下一代群体P(t+1)中； 交叉： 将群体P(t)内的各个个体随机搭配成对，对每一对个体，以某个概
率(称为交叉概率）交换它们之间的部分染色体； 变异： 对群体P(t)中的每一个个体，以某一概率(称为变异概率)改变某一个
2020/5/23
来自百度文库们可以得出：
(1) 生物的繁殖过程是由其基因的复制过程来完成的。（继承） (2) 通过同源染色体之间的交叉或染色体的变异会产生新的物种， 使生物呈现新的性状。（更新） (3) 对环境适应性好的基因或染色体经常比适应性差的基因或染 色体有更多的机会遗传到下一代。（优化）
遗传算法经过几十年的发展已不单单是一个 模式固定的算法，而已经成为一个算法簇。我 们主要就基本遗传算法进行讲解。
有性生殖生物在繁殖下一代时，两个同源染色体之间通过交叉 (Crossover)而重组，亦即在两个染色体的某一相同位置处DNA被切断，其 前后两串分别交义组合而形成两个新的染色体。 3. 变异
在进行细胞复制时，虽然概率很小，仅仅有可能产生某些复制差错， 从而使DNA发生某种变异(Mutation)，产生出新的染色体。这些新的染 色体表现出新的性状。
2020/5/23
➢ 1989年，David Goldberg 出版了《Genetic Algorithms in Search Optimization and Machine Learning》一书，这是第一本遗传算法 教科书，它是对当前算法领域研究工作的全面而 系统的总结，因而也成为引用最多的参考书之一。
2020/5/23
➢ 1975年之后，遗传算法作为函数优化器不但在各 个领域得到广泛应用，而且还丰富和发展了若干 遗传算法的基本理论。1980年，Bethke对函数优 化GA进行了研究，包括应用研究和数学分析。 Smith在1980年首次提出使用变长位串的概念， 这在某种程度上为以后的遗传规划奠定了基础 Goldberg,Davis,Grefenstette,Bauer,Srinivas和 Parnaik等大批研究人员对遗传算法理论的基本框 架和遗传算子进行了构建和改进，并将遗传算法 分别应用于工程设计、自动控制、经济金融、博 弈问题、机器学习等诸多领域中。
2020/5/23
遗传算法的生物学基础
生物在自然界中的生存繁衍，显示出了其对自然 环境的自适应能力。受其启发， 人们致力于对 生物各种生存特性的机理研究和行为模拟，为人 工自适应系统的设计和开发提供了广阔的前景。
遗传算法(Genetic Algorithms，简称GAs)就是 这种生物行为的计算机模拟中令人瞩目的重要成 果。基于对生物遗传和进化过程的计算机模拟， 遗传算法使得各种人工系统具有优良的自适应能 力和优化能力。
➢ 1967年John Holland的学生J.D.Bagley通过对跳棋 游戏参数的研究，在博士论文中首次提出了“遗传 算法”一词。
2020/5/23
➢ 1975年，Holland出版了专著《自然一人工系统中的适应 性行为》（Adaptation in Natural and Artificial System），该书系统地阐述了遗传算法的基本理论和方 法，提出了对遗传算法的理论发展极为重要的模式和理论， 其中首次确认也选择、交叉、变异等遗传算子，以及遗传 算法的隐并行性，并将遗传算法应用于适应性系统模拟、 函数优化、机器学习、自动控制等领域。
2020/5/23
2020/5/23
进化
变异 遗传 生存斗争
交叉 突变 选择 复制
遗传算法概述
1. 复制 生物的主耍遗传方式是复制。遗传过程中，父代的遗传物质DNA被复制
到子代。即细胞在分裂时，遗传物质DNA通过复制(Reproduction)而转移到 新生的细胞中，新细胞就继承了旧细胞的基因。 2. 交叉
遗传算法简介
✓ 20世纪40年代以来，科学家不断努力从生物学中寻求用 于计算科学和人工系统的新思想、新方法，很多学者对关 于从生物进化和遗传的机理中发展出适合于现实世界复杂 适应系统研究的计算技术——自然进化系统的模型和模拟 进化算法等 ，进行了开拓性的长期探索和研究，Holland 及其学生首先提出的遗传算法（GA）就是一个重要的发 展方向。
➢ 1992年，Koza教授出版了第一本遗传规划专著 Genetic Programming ,两年之后又出版了第二 本关于遗传规划的专者，他通过大量的实验说明 了遗传规划能够成功地解决一类复杂问题，为基 于符号表示的函数学习问题增添了一个强有力的 工具。
2020/5/23
➢ 1985年在美国召开了第一届遗传算法国际会议， 即ICGA。这次会议是遗传算法发展的重要里程碑， 此会以后每隔一年举行一次。从1999年起， ICGA和GP的系列会议合并为每年一次的遗传和 进化国际会议。
2020/5/23
遗传算法的发展
➢ 1962年,John Holland在Outline for a Logic Theory of Adaptive Systems 一文中,提出了所谓 监控程序的概念,即利用群体进化模拟适应性系统的 思想,他注意到在建立智能机器的研究中,不仅可以 完成单个生物体的适应性改进,而且通过一个种群许 多代的进货也可以产生非常好的适应性效果。为了 获得一个好的学习方法，仅靠单个策略的改进是不 够的，采用多策略的群体系列往往能产生显著的学 习效果。在这里他提出了群体、适应值、选择、变 异、交叉等基本概念。
2020/5/23
遗传算法内涵
1.2. 基本遗传算法的运算过程
编码
将实际问题转化为计算机能够“看懂”的代码。（比如二进制码） 选择(复制)： 根据各个个体的适应度，按照一定的规则或方法，从第t代群体P(t)
中选择出一些优良的个体遗传到下一代群体P(t+1)中； 交叉： 将群体P(t)内的各个个体随机搭配成对，对每一对个体，以某个概
率(称为交叉概率）交换它们之间的部分染色体； 变异： 对群体P(t)中的每一个个体，以某一概率(称为变异概率)改变某一个
2020/5/23
来自百度文库们可以得出：
(1) 生物的繁殖过程是由其基因的复制过程来完成的。（继承） (2) 通过同源染色体之间的交叉或染色体的变异会产生新的物种， 使生物呈现新的性状。（更新） (3) 对环境适应性好的基因或染色体经常比适应性差的基因或染 色体有更多的机会遗传到下一代。（优化）
遗传算法经过几十年的发展已不单单是一个 模式固定的算法，而已经成为一个算法簇。我 们主要就基本遗传算法进行讲解。
有性生殖生物在繁殖下一代时，两个同源染色体之间通过交叉 (Crossover)而重组，亦即在两个染色体的某一相同位置处DNA被切断，其 前后两串分别交义组合而形成两个新的染色体。 3. 变异
在进行细胞复制时，虽然概率很小，仅仅有可能产生某些复制差错， 从而使DNA发生某种变异(Mutation)，产生出新的染色体。这些新的染 色体表现出新的性状。
2020/5/23
➢ 1989年，David Goldberg 出版了《Genetic Algorithms in Search Optimization and Machine Learning》一书，这是第一本遗传算法 教科书，它是对当前算法领域研究工作的全面而 系统的总结，因而也成为引用最多的参考书之一。
2020/5/23
➢ 1975年之后，遗传算法作为函数优化器不但在各 个领域得到广泛应用，而且还丰富和发展了若干 遗传算法的基本理论。1980年，Bethke对函数优 化GA进行了研究，包括应用研究和数学分析。 Smith在1980年首次提出使用变长位串的概念， 这在某种程度上为以后的遗传规划奠定了基础 Goldberg,Davis,Grefenstette,Bauer,Srinivas和 Parnaik等大批研究人员对遗传算法理论的基本框 架和遗传算子进行了构建和改进，并将遗传算法 分别应用于工程设计、自动控制、经济金融、博 弈问题、机器学习等诸多领域中。
2020/5/23
遗传算法的生物学基础
生物在自然界中的生存繁衍，显示出了其对自然 环境的自适应能力。受其启发， 人们致力于对 生物各种生存特性的机理研究和行为模拟，为人 工自适应系统的设计和开发提供了广阔的前景。
遗传算法(Genetic Algorithms，简称GAs)就是 这种生物行为的计算机模拟中令人瞩目的重要成 果。基于对生物遗传和进化过程的计算机模拟， 遗传算法使得各种人工系统具有优良的自适应能 力和优化能力。