第7章遗传算法报告优秀PPT.ppt

第4章 基于遗传算法的随机优化搜寻4.1 4.1 基本概念基本概念4.2 4.2 基本遗传算法基本遗传算法4.3 4.3 遗传算法应用举例遗传算法应用举例4.4 4.4 遗传算法的特点与优势遗传算法的特点与优势 4.1 4.1 基本概念基本概念 1.1.个体与种群个体与种群 个体就是模拟生物个体而对问题中的对象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（一般就是问题的解）的一种称呼，一个个 体也就是搜寻空间中的一个点。体也就是搜寻空间中的一个点。种群种群(population)(population)就是模拟生物种群而由若就是模拟生物种群而由若 干个体组成的群体干个体组成的群体,它一般是整个搜寻空间它一般是整个搜寻空间 的一个很小的子集。的一个很小的子集。2.2.适应度与适应度函数适应度与适应度函数 适应度适应度(fitness)(fitness)就是借鉴生物个体对环境的就是借鉴生物个体对环境的 适应程度适应程度,而对问题中的个体对象所设计的而对问题中的个体对象所设计的 表征其优劣的一种测度。表征其优劣的一种测度。适应度函数适应度函数(fitness function)(fitness function)就是问题中的就是问题中的 全体个体与其适应度之间的一个对应关系。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。该函数就是遗传算它一般是一个实值函数。该函数就是遗传算 法中指导搜寻的评价函数。法中指导搜寻的评价函数。3.3.染色体与基因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）-010 101 1104.4.遗传操作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)选选择择-复复制制通通常常做做法法是是：对对于于一一个个规规模模为为N的的种种群群S,按按每每个个染染色色体体xiS的的选选择择概概率率P(xi)所所确确定定的的选选中中机机会会,分分N次从次从S中随机选定中随机选定N个染色体个染色体,并进行复制。并进行复制。这里的选择概率P(xi)的计算公式为交叉 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 变异变异 就是变更染色体某个就是变更染色体某个(些些)位上的位上的基因。基因。例如例如,设染色体设染色体 s=11001101将其第三位上的将其第三位上的0变为变为1,即即 s=11001101 11101101=s。s也可以看做是原染色体也可以看做是原染色体s的子代染色的子代染色体。体。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选择-复制交叉变异生成新一代种群终止?结束 算法中的一些限制参数：种群规模 最大换代数 交叉率(crossover rate)就是参与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0.40.99。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0.00010.1。基本遗传算法步1 在搜寻空间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。步5 按选择概率P(xi)所确定的选中机会，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所确定的参与交叉的染色体数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所确定的变异次数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；4.3 遗传算法应用举例 例例4.1 利用遗传算法求解区间0,31上的二次函数y=x2的最大值。y=x2 31 XY 分析 原问题可转化为在区间0,31中搜寻能使y取最大值的点a的问题。那么，0,31 中的点x就是个体,函数值f(x)恰好就可以作为x的适应度，区间0,31就是一个(解)空间。这样,只要能给出个体x的适当染色体编码,该问题就可以用遗传算法来解决。解(1)设定种群规模,编码染色体，产生初始种群。将种群规模设定为4；用5位二进制数编码染色体；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,取适应度函数：f(x)=x2 (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。首先计算种群S1中各个体 s1=13(01101),s2=24(11000)s3=8(01000),s4=19(10011)的适应度f(si)。简洁求得 f(s1)=f(13)=132=169 f(s2)=f(24)=242=576 f(s3)=f(8)=82=64 f(s4)=f(19)=192=361再计算种群S1中各个体的选择概率。选择概率的计算公式为 由此可求得 P(s1)=P(13)=0.14 P(s2)=P(24)=0.49 P(s3)=P(8)=0.06 P(s4)=P(19)=0.31 赌轮选择示意s40.31s20.49s10.14s30.06 赌轮选择法在算法中赌轮选择法可用下面的子过程来模拟:在0,1区间内产生一个匀整分布的随机数r。若rq1,则染色体x1被选中。若qk-1rqk(2kN),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 选择-复制 设从区间0,1中产生4个随机数如下:r1=0.450126,r2=0.110347 r3=0.572496,r4=0.98503 染色体 适应度选择概率积累概率选中次数s1=01101 169 0.14 0.14 1s2=11000 576 0.49 0.63 2s3=01000 64 0.06 0.69 0s4=10011 361 0.31 1.00 1于是，经复制得群体：s1=11000（24）,s2=01101（13）s3=11000（24）,s4=10011（19）交叉 设交叉率pc=100%，即S1中的全体染色体都参与交叉运算。设s1与s2配对，s3与s4配对。分别交换后两位基因，得新染色体：s1=11001（25）,s2=01100（12）s3=11011（27）,s4=10000（16）变异 设变异率pm=0.001。这样，群体S1中共有 540.001=0.02位基因可以变异。0.02位明显不足1位，所以本轮遗传操作不做变异。于是，得到其次代种群S2：s1=11001（25）,s2=01100（12）s3=11011（27）,s4=10000（16）其次代种群其次代种群S2中各染色体的状况中各染色体的状况 染色体 适应度选择概率积累概率 估计的选中次数s1=11001 625 0.36 0.36 1s2=01100 144 0.08 0.44 0s3=11011 729 0.41 0.85 2s4=10000 256 0.15 1.00 1 假设这一轮选择-复制操作中，种群S2中的4个染色体都被选中个染色体都被选中，则得到群体：s1=11001（25）,s2=01100（12）s3=11011（27）,s4=10000（16）做交叉运算，让s1与s2，s3与s4 分别交换后三位基因，得 s1=11100（28）,s2=01001（9）s3=11000（24）,s4=10011（19）这一轮仍旧不会发生变异。于是，得第三代种群S3：s1=11100（28）,s2=01001（9）s3=11000（24）,s4=10011（19）第三代种群第三代种群S3S3中各染色体的状况中各染色体的状况 染色体 适应度选择概率积累概率 估计的选中次数s1=11100 784 0.44 0.44 2s2=01001 81 0.04 0.48 0s3=11000 576 0.32 0.80 1s4=10011 361 0.20 1.00 1 设这一轮的选择-复制结果为：s1=11100（28）,s2=11100（28）s3=11000（24）,s4=10011（19）做交叉运算，让s1与s4，s2与s3 分别交换后两位基因，得 s1=11111（31）,s2=11100（28）s3=11000（24）,s4=10000（16）这一轮仍旧不会发生变异。于是，得第四代种群S4：s1=11111（31）,s2=11100（28）s3=11000（24）,s4=10000（16）明显，在这一代种群中已经出现了适应度最高的染色体s1=11111。于是，遗传操作终止，将染色体“11111”作为最终结果输出。然后，将染色体“11111”解码为表现型，即得所求的最优解：31。将31代入函数y=x2中，即得原问题的解，即函数y=x2的最大值为961。YYy=x2 8 13 19 24 X第一代种群及其适应度y=x2 12 16 25 27 XY第二代种群及其适应度y=x2 9 19 24 28 XY第三代种群及其适应度y=x2 16 24 28 31 X第四代种群及其适应度旅行商问题旅行商问题(TSP，traveling salesman problem)一个商人欲到一个商人欲到n个城市推销商品，每两个个城市推销商品，每两个城市城市i和和j之间的距离为之间的距离为dij，如何选择一条道路，如何选择一条道路使得商人每个城市正好走一遍后回到起点且所使得商人每个城市正好走一遍后回到起点且所走路途最短。走路途最短。：例例 4.2 用遗传算法求解用遗传算法求解TSP图论模型图论模型 构造一个图构造一个图G=G=（V V，E E），顶点表示），顶点表示城市，边表示连接两城市的路，边上的权城市，边表示连接两城市的路，边上的权W W（e e）表示距离（或时间或费用）。于是旅行）表示距离（或时间或费用）。于是旅行推销员问题就成为在加权图中找寻一条经过每推销员问题就成为在加权图中找寻一条经过每个顶点正好一次的最短圈的问题，即求最佳个顶点正好一次的最短圈的问题，即求最佳Hamilton Hamilton 圈的问题。圈的问题。基本概念基本概念1)哈密尔顿路径哈密尔顿路径(H路径路径):经过图G每个顶点正好一次的路径;2)哈密尔顿圈哈密尔顿圈(H圈圈)；经过G的每个顶点正好一次的圈;3)哈密尔顿图哈密尔顿图(H图图):含H圈的图。4)最佳最佳H圈圈:在加权图G=（V，E）中，权最小的H圈；5)最佳推销员回路最佳推销员回路:经过每个 顶点一次的权最小闭通路;6)TSP问题问题:在完备加权图中求最佳H圈的问题。：TSP问题举例v工件排序v 设有n个工件等待在一台机床上加工，加工完i，接着加工j，这中间机器须要花费确定的准备时间tij，问如何支配加工依次使总调整时间最短？v 此问题可用TSP的方法求解，n个工件对应n个顶点，tij表示(i,j)上的权，因此需求图中权最小的H路径。算法简介算法简介 TSP问题是NP-hard问题，即不存在多项式时间算法.也就是说,对于大型网络(赋权图),目前还没有一个精确求解TSP问题的有效算法，因此只能找能求出相当好（不确定最优）的解的算法.分析 由于其任一可能解 一个合法的城市序列，即n个城市的一个排列，都可以事先构造出来。于是，我们就可以干脆在解空间（全部合法的城市序列）中搜寻最佳解。这正适合用遗传算法求解。（1）定义适应度函数 我们将一个合法的城市序列s=（c1,c2,cn,cn+1）(cn+1就是c1)作为一个个体。这个序列中相邻两城之间的距离之和的倒数就可作为相应个体s的适应度，从而适应度函数就是（2）对个体s=（c1,c2,cn,cn+1）进行编码。但对于这样的个体如何编码却不是一件直截了当的事情。因为假如编码不当，就会在实施交叉或变异操作时出现非法城市序列即无效解。例如，对于5个城市的TSP，我们用符号A、B、C、D、E代表相应的城市，用这5个符号的序列表示可能解即染色体。然后进行遗传操作。设 s1=（A,C,B,E,D,A），s2=（A,E,D,C,B,A）实施常规的交叉或变异操作，如交换后三位，得 s1=（A,C,B,C,B,A），s2=（A,E,D,E,D,A）或者将染色体s1其次位的C变为E，得 s1=（A,E,B,E,D,A）可以看出，上面得到的s1，s2和s1都是非法的城市序列。为此，对TSP必需设计合适的染色体和相应的遗传运算。事实上，人们针对TSP提出了很多编码方法和相应的特殊化了的交叉、变异操作，如依次编码或整数编码、随机键编码、部分映射交叉、依次交叉、循环交叉、位置交叉、反转变异、移位变异、互换变异等等。从而奇妙地用遗传算法解决了TSP。4.4 遗传算法的特点与优势 遗传算法的主要特点 遗传算法一般是干脆在解空间搜寻,而不像图搜寻那样一般是在问题空间搜寻,最终才找到解。遗传算法的搜寻随机地始于搜寻空间的一个点集,而不像图搜寻那样固定地始于搜寻空间的初始节点或终止节点,所以遗传算法是一种随机搜寻算法。遗传算法总是在找寻优解,而不像图搜寻那样并非总是要求优解,而一般是设法尽快找到解,所以遗传算法又是一种优化搜寻算法。遗传算法的搜寻过程是从空间的一个点集(种群)到另一个点集(种群)的搜寻,而不像图搜寻那样一般是从空间的一个点到另一个点地搜寻。因而它实际是一种并行搜寻,适合大规模并行计算,而且这种种群到种群的搜寻有实力跳出局部最优解。遗传算法的适应性强,除需知适应度函数外,几乎不须要其他的先验学问。遗传算法长于全局搜寻,它不受搜寻空间的限制性假设的约束,不要求连续性,能以很大的概率从离散的、多极值的、含有噪声的高维问题中找到全局最优解。遗传算法的应用遗传算法在人工智能的众多领域便得到了广泛应用。例如，机器学习、聚类、限制（如煤气管道限制）、规划（如生产任务规划）、设计（如通信网络设计、布局设计）、调度（如作业车间调度、机器调度、运输问题）、配置（机器配置、安排问题）、组合优化（如TSP、背包问题）、函数的最大值以及图像处理和信号处理等等。v另一方面，人们又将遗传算法与其他智能算法和技术相结合，使其问题求解实力得到进一步扩展和提高。例如，将遗传算法与模糊技术、神经网络相结合，已取得了不少成果。对遗传算法的进一步探讨将涉及到模式定理和隐性、并行性等内容。有爱好的同学可参阅有关专著。