第4章基于遗传算法的随机优化搜索ppt课件.ppt

《第4章基于遗传算法的随机优化搜索ppt课件.ppt》由会员上传分享，免费在线阅读，更多相关内容在教育资源-天天文库。

1、第4章基于遗传算法的随机优化搜索4.1基本概念4.2基本遗传算法4.3遗传算法应用举例4.4遗传算法的特点与优势9/20/202114.1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。9/20/202122.适应度与适应度函数●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。●适应度函数(fitnessfunction)就是问题中的全体个

2、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。9/20/202133.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9----1001（2，5，6）----0101011109/20/202144.遗传操作亦称遗传算子(geneticoperator)，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)9/

3、20/20215选择-复制从种群中选择适应度高的染色体进行复制，以生成下一代种群。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9/20/20216赌轮选择示意s40.31s20.49s10.14s30.06●赌轮选择法9/20/20217在算法中赌轮选择法可用下面的子过程来模拟:　①在［0,1］区间内产生一个均匀分布的随机数r。②若r≤q1,则染色体x1被选中。③若qk-1

4、,n)的积累概率,其计算公式为9/20/20218一个染色体xi被选中的次数也可以采用确定法来计算：9/20/20219交叉就是互换两个染色体某些位上的基因。s1′=01000101,s2′=10011011可以看做是原染色体s1和s2的子代染色体。例如,设染色体s1=01001011,s2=10010101,交换其后4位基因,即9/20/202110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。9/20/2021114.2基本遗传算法遗传算法就是对种

5、群中的染色体反复做三种遗传操作，使其朝着适应度增高的方向不断更新换代，直至出现了适应度满足目标条件的染色体为止。9/20/202112生成初始种群计算适应度选择-复制交叉变异生成新一代种群终止?结束是否图4-2遗传算法基本流程框图9/20/202113算法中的一些控制参数：■种群规模■最大换代数■交叉率(crossoverrate)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(mutationrate)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。9/20/202114基本遗传

6、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。9/20/202115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

7、体S2；9/20/202116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；步8将群体S3作为新一代种群，即用S3代替S，t=t+1，转步3；9/20/202117上述遗传算法，只是遗传算法的基本步骤，所以我们称其为基本遗传算法，与简单遗传算法（SimpleGeneticAlgorithm，SGA）基本一致。在简单遗传算法的基础上