遗传算法PPT课件

可行解的编码
染色体中的元素
编码中的元素
某一基因在染色体中的位置
元素在编码中的位置
个体对于环境的适应程度，或在环境压力下 的生存能力
可行解所对应的适应函数值
被选定的一组染色体或个体
根据入选概率定出的一组可行解
从群体中选择优胜的个体，淘汰劣质个体的 操作
保留或复制适应值大的可行解，去掉小的 可行解
一组染色体上对应基因段的交换
根据交叉原则产生的一组新解
染色体对应基因段交换的概率（可能性大小） 闭区间[0,1]上的一个值，一般为0.65~0.90
染色体水平上基因变化
பைடு நூலகம்
编码的某些元素被改变
染色体上基因变化的概率（可能性大小）
开区间(0,1)内的一个值, 一般为 0.001~0.01
个体进行优胜劣汰的进化，一代又一代地优 化
目标函数取到最大值，最优的可行解
例如： 个体
染色体
9 ---- 1001 （2，5，6）---- 010 101 110
4. 遗传操作
亦称遗传算子(genetic operator)，就是关 于染色体的运算。遗传算法中有三种遗传操作:
● 选择-复制(selection-reproduction) ● 交叉(crossover，亦称交换、交配或杂交) ● 变异(mutation，亦称突变)
选择-复制 通常做法是：对于一个规模为N 的种群S,按每个染色体xi∈S的选择概率P(xi)所决 定的选中机会, 分N次从S中随机选定N个染色体, 并进行复制。
这里的选择概率P(xi)的计算公式为
P(xi )
f (xi )
N
f (xj)
j 1
交叉 就是互换两个染色体某些位上的基因。 例如, 设染色体 s1=01001011, s2=10010101, 交换其后4位基因, 即
● 适应度函数(fitness function)就是问题中的 全体个体与其适应度之间的一个对应关系。 它一般是一个实值函数。该函数就是遗传算 法中指导搜索的评价函数。
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）。
第 4 章 基于遗传算法的随机优化搜索
❖ 群体的染色体都将逐渐适应环境，不断进化， 最后收敛到一族最适应环境的类似个体，即 得到问题最优的解．值得注意的一点是，现 在的遗传算法是受生物进化论学说的启发提 出的，这种学说对我们用计算机解决复杂问 题很有用，而它本身是否完全正确并不重要 （目前生物界对此学说尚有争议）．
第 4 章 基于遗传算法的随机优化搜索
序号 1 2 3 4 5 6
7 8
9 10 11 12
13
遗传学概念 个体 群体 染色体 基因 基因位 适应值
种群 选择
交叉 交叉概率 变异 变异概率
进化、 适者生存
遗传算法概念
数学概念
要处理的基本对象、结构
也就是可行解
个体的集合
被选定的一组可行解
个体的表现形式
4.1 基本概念
1. 个体与种群
● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个 体也就是搜索空间中的一个点。
● 种群(population)就是模拟生物种群而由若 干个体组成的群体, 它一般是整个搜索空间 的一个很小的子集。
2.
● 适应度(fitness)就是借鉴生物个体对环境的 适应程度,而对问题中的个体对象所设计的 表征其优劣的一种测度。
4.2 基本遗传算法
遗传算法基本流程框图
生成初始种群 计算适应度
终止 ? 选择-复制
交叉 变异 生成新一代种群
结束
算法中的一些控制参数：
■ 种群规模 ■ 最大换代数 ■ 交叉率(crossover rate)就是参加交叉运算的 染色体个数占全体染色体总数的比例，记为Pc, 取值范围一般为0.4～0.99。 ■ 变异率(mutation rate)是指发生变异的基因位 数所占全体染色体的基因总位数的比例，记为 Pm，取值范围一般为0.0001～0.1。
s1′=01000101, s2′=10011011 可以看做是原染色体s1和s2的子代染色体。
变异 就是改变染色体某个(些)位上的基因。
例如, 设染色体 s=11001101 将其第三位上的0变为1, 即
s=11001101 →11101101= s′。 s′也可以看做是原染色体s的子代染色体。
基本遗传算法
步1 在搜索空间U上定义一个适应度函数 f(x)，给定种群规模N，交叉率Pc和变异率Pm， 代数T；
步2 随机产生U中的N个个体s1, s2, …, sN， 组成初始种群S={s1, s2, …, sN}，置代数计数 器t=1；
步3 计算S中每个个体的适应度f() ；
步4 若终止条件满足，则取S中适应度最 大的个体作为所求结果，算法结束。
第 4 章 基于遗传算法的随机优化搜索
遗传算法的基本原理
❖ 遗传算法的基本思想正是基于模仿生物界遗传学的 遗传过程．它把问题的参数用基因代表，把问题的 解用染色体代表（在计算机里用二进制码表示）， 从而得到一个由具有不同染色体的个体组成的群 体．这个群体在问题特定的环境里生存竞争，适者 有最好的机会生存和产生后代．后代随机化地继承 了父代的最好特征，并也在生存环境的控制支配下 继续这一过程．
第4章 基于遗传算法的随机优化搜索
4.1 4.2 4.3 4.4 遗传算法的特点与优势
第 4 章 基于遗传算法的随机优化搜索
❖ 遗传算法（Genetic Algorithm—GA），是模 拟达尔文的遗传选择和自然淘汰的生物进化 过程的计算模型，它是由美国Michigan大学 的J.Holland教授于1975年首先提出的．遗传 算法作为一种新的全局优化搜索算法，以其 简单通用、鲁棒性强、适于并行处理及应用 范围广等显著特点，奠定了它作为21世纪关 键智能计算之一的地位．
步5 按选择概率P(xi)所决定的选中机会， 每次从S中随机选定1个个体并将其染色体复制， 共做N次，然后将复制所得的N个染色体组成 群体S1；
步6 按交叉率Pc所决定的参加交叉的染色 体数c，从S1中随机确定c个染色体，配对进行 交叉操作，并用产生的新染色体代替原染色体， 得群体S2；
步7 按变异率Pm所决定的变异次数m，从S2 中随机确定m个染色体，分别进行变异操作，并 用产生的新染色体代替原染色体，得群体S3；