第6章 进化算法及其应用（AI应用3版）.ppt

Artificial Intelligence Principles and Applications第第6章章进化算法及其应用进化算法及其应用教材：教材：王万良王万良人工智能及其应用人工智能及其应用（第（第3版）版）高等教育出版社，高等教育出版社，2016.22第6章进化算法及其应用o6.1进化算法的产生与发展进化算法的产生与发展o6.2基本遗传算法基本遗传算法o6.3遗传算法的改进算法遗传算法的改进算法o6.4基于遗传算法的生产调度方法基于遗传算法的生产调度方法o6.5差分进化算法及其应用差分进化算法及其应用o6.6量子进化算法及其应用量子进化算法及其应用3第6章进化算法及其应用o6.1进化算法的产生与发展进化算法的产生与发展o6.2基本遗传算法基本遗传算法o6.3遗传算法的改进算法遗传算法的改进算法o6.4基于遗传算法的生产调度方法基于遗传算法的生产调度方法o6.5差分进化算法及其应用差分进化算法及其应用o6.6量子进化算法及其应用量子进化算法及其应用46.1进化算法的产生与发展6.1.1进化算法的概念进化算法的概念6.1.2进化算法的生物背景进化算法的生物背景6.1.2遗产算法的基本思想遗产算法的基本思想6.1.3遗产算法的发展历史遗产算法的发展历史6.1.4设计遗产算法设计遗产算法的基本原则与内容的基本原则与内容56.1.1进化算法的概念进进化化算算法法(evolutionaryalgorithms，EA)是基于自然选择和自然遗传等生物进化机制的一种搜索算法。生物进化是通过繁殖、变异、竞争和选择实现的；而进化算法则主要通过选择、重组和变异这三种操作实现优化问题的求解。进化算法是一个“算法簇”，包括遗传算法(GA)、遗传规划、进化策略和进化规划等。进化算法的基本框架是遗传算法所描述的框架。进化算法可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。66.1.2进化算法的生物学背景o适适者者生生存存：最最适适合合自自然然环环境境的的群群体体往往往往产产生生了了更更大大的的后后代代群群体。体。o生物进化的基本过程：生物进化的基本过程：染染色色体体(chromosome)：生生物物的遗传物质的主要载体。的遗传物质的主要载体。基基因因(gene)：扩扩展展生生物物性性状状的的遗遗传传物物质质的的功功能能单单元元和和结结构单位。构单位。基基因因座座（locus）：染染色色体体中中基因的位置。基因的位置。等等位位基基因因（alleles）：基基因因所取的值。所取的值。7第6章进化算法及其应用o6.1进化算法的产生与发展进化算法的产生与发展o6.2基本遗传算法基本遗传算法o6.3遗传算法的改进算法遗传算法的改进算法o6.4基于遗传算法的生产调度方法基于遗传算法的生产调度方法o6.5差分进化算法及其应用差分进化算法及其应用o6.6量子进化算法及其应用量子进化算法及其应用86.2.1遗传算法的基本思想生物遗传概念生物遗传概念遗产算法中的应用遗产算法中的应用适者生存适者生存目标值比较大的解被选择的可能性大目标值比较大的解被选择的可能性大个体（个体（Individual）解解染色体（染色体（Chromosome）解的编码（字符串、向量等）解的编码（字符串、向量等）基因（基因（Gene）解的编码中每一分量解的编码中每一分量适应性（适应性（Fitness）适应度函数值适应度函数值群体（群体（Population）根根据据适适应应度度值值选选定定的的一一组组解解（解解的的个个数数为群体的规模）为群体的规模）婚配（婚配（Marry）交交叉叉（Crossover）选选择择两两个个染染色色体体进进行行交叉产生一组新的染色体的过程交叉产生一组新的染色体的过程变异（变异（Mutation）编码的某一分量发生变化的过程编码的某一分量发生变化的过程96.2.1遗传算法的基本思想 遗传算法的基本思想：遗传算法的基本思想：在在求求解解问问题题时时从从多多个个解解开开始始，然然后后通通过过一一定定的的法法则进行逐步迭代以产生新的解。则进行逐步迭代以产生新的解。106.2.2遗传算法的发展历史o1962年，Fraser提出了自然遗传算法。o1965年，Holland首次提出了人工遗传操作的重要性。o1967年，Bagley首次提出了遗传算法这一术语。o1970年，Cavicchio把遗传算法应用于模式识别中。o1971年，Hollstien在论文计算机控制系统中人工遗传自适应方法中阐述了遗传算法用于数字反馈控制的方法。o1975年，美国J.Holland出版了自然系统和人工系统的适配；DeJong完成了重要论文遗传自适应系统的行为分析。o20世纪80年代以后，遗传算法进入兴盛发展时期。11遗传算法设计的基本内容 编码方案编码方案：怎样把优化问题的解进行编码。：怎样把优化问题的解进行编码。适应度函数适应度函数：怎样根据目标函数构建适应度函数。：怎样根据目标函数构建适应度函数。选择策略选择策略：优胜劣汰。：优胜劣汰。控控制制参参数数：种种群群的的规规模模、算算法法执执行行的的最最大大代代数数、执行不同遗传操作的概率等。执行不同遗传操作的概率等。遗传算子遗传算子：选择、交叉、变异：选择、交叉、变异。算算法法终终止止准准则则：规规定定一一个个最最大大的的演演化化代代数数，或或算算法在连续多少代以后解的适应值没有改进。法在连续多少代以后解的适应值没有改进。12遗传算法的基本算法o遗传算法的五个基本要素遗传算法的五个基本要素：n参数编码n初始群体的设定n适应度函数的设计n遗传操作设计n控制参数设定136.2遗传算法的基本算法6.2.1编码编码6.2.2群体设定群体设定6.2.3适应度函数适应度函数6.2.4选择选择6.2.5交叉交叉6.2.6变异变异6.2.7遗传算法遗传算法的一般步骤的一般步骤146.2.3编码 1.位串编码位串编码一一维维染染色色体体编编码码方方法法：将问题空间的参数编码为一维排列的染色体的方法。二二进进制制编编码码：用若干二进制数表示一个个体，将原问题的解空间映射到位串空间B=0，1上，然后在位串空间上进行遗传操作。（1）二进制编码二进制编码156.2.3编码(1)二进制编码二进制编码（续）（续）优点优点：类似于生物染色体的组成，算法易于用生物遗传理论解释，遗传操作如交叉、变异等易实现；算法处理的模式数最多。缺点：缺点：相邻整数的二进制编码可能具有较大的Hamming距离，降低了遗传算子的搜索效率。15：0111116：10000要先给出求解的精度。求解高维优化问题的二进制编码串长，算法的搜索效率低。166.2.3编码 1.位串编码位串编码（2）Gray编码编码Gray编码:将二进制编码通过一个变换进行转换得到的编码。二进制串 Gray 二进制编码 Gray编码Gray编码 二进制编码 176.2.3编码 2.实数编码实数编码 采用实数表达法不不必必进进行行数数制制转转换换，可直接在解的表现型上进行遗传操作。多多参参数数映映射射编编码码的的基基本本思思想想：把每个参数先进行二进制编码得到子串，再把这些子串连成一个完整的染色体。多参数映射编码中的每个子串对应各自的编码参数，所以，可以有不同的串长度和参数的取值范围有不同的串长度和参数的取值范围。181.初始种群的产生初始种群的产生6.2.4群体设定（1）根据问题固有知识，把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始群体。（2）随机产生一定数目的个体，从中挑选最好的个体加到初始群体中。这种过程不断迭代，直到初始群体中个体数目达到了预先确定的规模。192.种群规模的确定种群规模的确定6.2.4群体设定 模模式式定定理理表明：若群体规模为M，则遗传操作可从这M 个个体中生成和检测 个模式，并在此基础上能够不断形成和优化积木块，直到找到最优解。群体规模太小，遗传算法的优化性能不太好，易陷入局部最优解。群体规模太大，计算复杂。201.1.将目标函数映射成适应度函数的方法将目标函数映射成适应度函数的方法6.2.5适应度函数 若目标函数为最大化最大化问题，则 若目标函数为最小化最小化问题，则将目标函数转换为求最大值的形式将目标函数转换为求最大值的形式,且保证函数值非负！且保证函数值非负！若目标函数为最大化最大化问题，则 若目标函数为最小化最小化问题，则211.1.将目标函数映射成适应度函数的方法将目标函数映射成适应度函数的方法(续）续）6.2.5适应度函数存在界限值预选估计困难或者不能精确估计的问题！存在界限值预选估计困难或者不能精确估计的问题！若目标函数为最大化最大化问题，则 若目标函数为最小化最小化问题，则 ：目标函数界限的保守估计值。222.适应度函数的尺度变换适应度函数的尺度变换 在遗传算法中，将所有妨碍适应度值高的个体产生，从而 影 响 遗 传 算 法 正 常 工 作 的 问 题 统 称 为 欺欺 骗骗 问问 题题（deceptiveproblem）。6.2.5适应度函数 过过早早收收敛敛：缩小这些个体的适应度，以降低这些超级个体的竞争力。停停滞滞现现象象：改变原始适应值的比例关系，以提高个体之间的竞争力。适应度函数的尺尺度度变变换换（fitnessscaling）或者定定标标：对适应度函数值域的某种映射变换。232.适应度函数适应度函数的尺度变换的尺度变换(续）续）（1）线性变换：6.2.5适应度函数满足满足最小适应度值非负 242.适应度函数适应度函数的尺度变换的尺度变换(续）续）（2）幂函数变换法：6.2.5适应度函数（3）指数变换法：256.2.6选择 1.个体选择概率分配方法个体选择概率分配方法选择操作也称为复制（reproduction）操作：从当前群体中按照一定概率选出优良的个体，使它们有机会作为父代繁殖下一代子孙。判断个体优良与否的准则是各个个体的适应度值：个体适应度越高，其被选择的机会就越多。266.2.6选择 1.个体选择概率分配方法个体选择概率分配方法（1）适适应应度度比比例例方方法法（fitnessproportionalmodel）或蒙特卡罗法或蒙特卡罗法（MonteCarlo）各个个体被选择的概率和其适应度值成比例。个体 被选择的概率为：276.2.6选择 1.个体选择概率分配方法个体选择概率分配方法（2）排序方法排序方法（rank-basedmodel）线性排序：J.E.Baker 群体成员按适应值大小从好到坏依次排列：个体 按转盘式选择的方式选择父体286.2.6选择 1.个体选择概率分配方法个体选择概率分配方法（2）排序方法排序方法（rank-basedmodel）非线性排序：Z.Michalewicz 将群体成员按适应值从好到坏依次排列，并按下式分配选择概率：296.2.6选择 1.1.个体选择概率分配方法个体选择概率分配方法（2）排序方法排序方法（rank-basedmodel）可用其他非线性函数来分配选择概率，只要满足以下条件：306.2.6选择 2.选择个体方法选择个体方法（1）转盘赌选择转盘赌选择（roulettewheelselection）按个体的选择概率产生一个轮盘，轮盘每个区的角度与个体的选择概率成比例。产生一个随机数，它落入转盘的哪个区域就选择相应的个体交叉。第1轮产生一个随机数：0.81 第2轮产生一个随机数：0.32 316.2.6选择 2.选择个体方法选择个体方法（2）锦标赛选择方法锦标赛选择方法（tournamentselectionmodel）锦锦标标赛赛选选择择方方法法：从群体中随机选择个个体，将其中适应度最高的个体保存到下一代。这一过程反复执行，直到保存到下一代的个体数达到预先设定的数量为止。随随机机竞竞争争方方法法（stochastictournament）：每次按赌轮选择方法选取一对个体，然后让这两个个体进行竞争，适应度高者获胜。如此反复，直到选满为止。326.2.6选择 2.选择个体方法选择个体方法（3）和选择 从规模为 的群体中随机选取个体通过重组和变异生成 个后代，再选取 个最优的后代作为新一代种群。从 个后代与其父体共 中选取 个最优的后代。336.2.6选择 2.选择个体方法选择个体方法（4）Boltzmann锦标赛选择 最最佳佳个个体体（elitistmodel）保保存存方方法法：把群体中适应度最高的个体不进行交叉而直接复制到下一代中，保证遗传算法终止时得到的最后结果一定是历代出现过的最高适应度的个体。（5）最佳个体保存方法 随机选取两个个体 ，若 则选择适应值好的作为胜者，否则计算概率 ，若 ，选择差解，否则选择好解。346.2.7交叉 1.基本的交叉算子基本的交叉算子（1）一点交叉一点交叉（single-pointcrossover）一点交叉：在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新的个体。二点交叉：随机设置两个交叉点，将两个交叉点之间的码串相互交换。（2）二点交叉二点交叉（two-pointcrossover）356.2.7交叉 1.基本的交叉算子（续）基本的交叉算子（续）均匀交叉：按照均匀概率抽取一些位，每一位是否被选取都是随机的，并且独立于其他位。然后将两个个体被抽取位互换组成两个新个体。（3）均匀交叉均匀交叉（uniformcrossover）或一致交叉366.2.7交叉 2.修正的交叉方法修正的交叉方法（1）部部 分分 匹匹 配配 交交 叉叉 PMX：Goldberg D.E.和 R.Lingle(1985)376.2.7交叉 2.修正的交叉方法修正的交叉方法(续）续）（2）顺序交叉顺序交叉OX：DavisL.(1985)（3）循环交叉循环交叉CX：SmithD.(1985)386.2.7交叉 3.实数编码的交叉方法实数编码的交叉方法（1）离散交叉）离散交叉（discretecrossover）部部分分离离散散交交叉叉：在父解向量中选择一部分分量，然后交换这些分量。二进制的点式交叉二进制的点式交叉 整整体体离离散散交交叉叉：以0.5的概率交换父体的所有分量。二进制编码的均匀性交叉二进制编码的均匀性交叉21ss 与396.2.7交叉 3.实数编码的交叉方法（续）实数编码的交叉方法（续）（2）算术交叉算术交叉（arithmeticalcrossover）部部分分算算术术：先在父解向量中选择一部分分量，如第 个分量以后的所有分量，然后生成 个0，1区间的随机数，并将两个后代定义为：406.2.7交叉3.实数编码的交叉方法（续）实数编码的交叉方法（续）（2）算术交叉算术交叉（arithmeticalcrossover）整整体体算算术术交交叉叉：先生成n 个区间的随机数，则后代分别定义为：416.2.8变异 1.整数编码的变异方法整数编码的变异方法（1）位位点点变变异异：群体中的个体码串，随机挑选一个或多个基因座，并对这些基因座的基因值以变异概率作变动。（2）逆逆转转变变异异：在个体码串中随机选择两点（逆转点），然后将两点之间的基因值以逆向排序插入到原位置中。（3）插插入入变变异异：在个体码串中随机选择一个码，然后将此码插入随机选择的插入点中间。426.2.8变异 1.整数编码的变异方法（续）整数编码的变异方法（续）（4）互互换换变变异异：随机选取染色体的两个基因进行简单互换。（5）移移动动变变异异：随机选取一个基因，向左或者向右移动一个随机位数。（6）自自适适应应变变异异：类似于位点变异，但变异概率随群体中个体的多样性程度而自适应调整。436.2.8变异 2.实数编码的变异方法实数编码的变异方法（1）均匀性变异均匀性变异 均匀性变异均匀性变异：在父解向量中随机地选择一个分量（第 个），然后在 中以均匀概率随机选择 代替 以得到 ，即 446.2.8变异 2.实数编码的变异方法（续）实数编码的变异方法（续）（2）正态性变异正态性变异（normaldistributedmutation）456.2.8变异 2.实数编码的变异方法（续）实数编码的变异方法（续）（3）非一致性变异非一致性变异Z.Michalewicz首先提出将变异算子的结果与演化代数联系起来。在演化初期，变异范围相对较大，而随着演化的推进，变异范围越来越小，起着一种对演化系统的微调作用。466.2.8变异 2.实数编码的变异方法（续）实数编码的变异方法（续）（3）非一致性变异非一致性变异476.2.8变异 2.实数编码的变异方法（续）实数编码的变异方法（续）（4）自适应变异自适应变异自适应变异方式与非一致性变异算子相同，只是将其中的演化代数 改为 ，函数表达式变为：486.2.10遗传算法的一般步骤496.2.10遗传算法的一般步骤（1）使用随机方法或者其它方法，产生一个有N个染色体的初始群体pop(1)，；（2）对群体中的每一个染色体popi(t)，计算其适应值（3）若满足停止条件，则算法停止；否则，以概率从pop(t)中随机选择一些染色体构成一个新种群 506.2.10遗传算法的一般步骤（4）以概率 进行交叉产生一些新的染色体，得到一个新的群体 （5）以一个较小的概率使染色体的一个基因发生变异，形成；，成为一个新的群体返回（2）。516.2.11遗传算法的特点 可直接对结构对象进行操作。利用随机技术指导对一个被编码的参数空间进行高效率搜索。采用群体搜索策略，易于并行化。仅用适应度函数值来评估个体，并在此基础上进行遗传操作，使种群中个体之间进行信息交换。52第6章遗传算法及其应用o6.1遗传算法的产生与发展遗传算法的产生与发展o6.2遗传算法的基本算法遗传算法的基本算法6.3遗传算法的改进算法遗传算法的改进算法o6.4基于遗传算法的生产调度方法基于遗传算法的生产调度方法536.3遗传算法的改进算法 6.3.1双倍体遗传算法双倍体遗传算法6.3.2双种群遗传算法双种群遗传算法6.3.3自适应遗传算法自适应遗传算法546.3.1双倍体遗传算法1.基本思想基本思想 双倍体遗传算法采用显显性性和隐隐性性两个染色体同时进行进化，提供了一种记忆以前有用的基因块的功能。双倍体遗传算法采用显性遗传显性遗传。双倍体遗传延长了有用基因块的寿命，提高了算法的收敛能力，在变异概率低的情况下能保持一定水平的多样性。556.3.1双倍体遗传算法2.双倍体双倍体遗传遗传算法的算法的设计设计（1）编码）编码/解码解码：两个染色体（显性、隐性）（2）复复制制算算子子：计算显性染色体的适应度，按照显性染色体的复制概率将个体复制到下一代群体中。（3）交交叉叉算算子子：两个个体的显性染色体交叉、隐性染色体也同时交叉。（4）变变异异算算子子：个体的显性染色体按正常的变异概率变异；隐性染色体按较大的变异概率变异。（5）双双倍倍体体遗遗传传算算法法显显隐隐性性重重排排算算子子：个体中适应值较大的染色体设为显性染色体，适应值较小的染色体设为隐性染色体。566.3.2双种群遗传算法 1.1.基本思想基本思想 在遗传算法中使用多种群同时进化，并交换种群之间优秀个体所携带的遗传信息，以打破种群内的平衡态达到更高的平衡态，有利于算法跳出局部最优。多多种种群群遗遗传传算算法法：建立两个遗传算法群体，分别独立地运行复制、交叉、变异操作，同时当每一代运行结束以后，选择两个种群中的随机个体及最优个体分别交换。576.3.2双种群遗传算法2.双种群双种群遗传算法的设计遗传算法的设计（1）编码/解码设计（2）交叉算子、变异算子（3）杂交算子杂交算子设种群A与种群B，当A与B种群都完成了选择、交叉、变异算子后，产生一个随机数num，随机选择A中num个个体与A中最优个体，随机选择B中num个个体与B中最优个体，交换两者，以打破平衡态。58 双种群遗传算法程序流程图双种群遗传算法程序流程图 596.3.3自适应遗传算法 1.基本思想基本思想SrinvivasM.，PatnaikL.M.等在1994年提出一种自适应遗传算法(adaptivegeneticalgorithms，AGA)：能随适应度自动改变。AGA：当种群各个体适应度趋于一致或者趋于局部最优时，使增加，以跳出局部最优；而当群体适应度比较分散时，使减少，以利于优良个体的生存。同时，对于适应度高于群体平均适应值的个体，选择较低的 ，使得该解得以保护进入下一代；对低于平均适应值的个体，选择较高的 值，使该解被淘汰。606.3.3自适应遗传算法 2.自适应自适应遗传算法的步骤遗传算法的步骤（1）编码/解码设计。（2）初始种群产生：N（N 是偶数）个候选解，组成初始解集。（3）定义适应度函数为，计算适应度。（4）按轮盘赌规则选择N 个个体，计算。（5）将群体中的各个个体随机搭配成对，共组成N/2对，对每一对个体，按照自适应公式计算自适应交叉概率，随机产生R(0,1)，如果则对该对染色体进行交叉操作。612.自适应遗传算法的步骤自适应遗传算法的步骤（续）（续）（6）对于群体中的所有个体，共N个，按照自适应变异公式计算自适应变异概率，随机产生R(0,1)，如果则对该染色体进行交叉操作。（7）计算由交叉和变异生成新个体的适应度，新个体与父代一起构成新群体。（8）判断是否达到预定的迭代次数，是则结束；否则转（4）。6.3.3自适应遗传算法623.适应的适应的交叉概率与变异概率交叉概率与变异概率6.3.3自适应遗传算法 普通自适应算法中，当个体适应度值越接近最大适应度值时，交叉概率与变异概率就越小；当等于最大适应度值时，交叉概率和变异概率为零。改进的思想：当前代的最优个体不被破坏，仍然保留（最优保存策略）；但较优个体要对应于更高的交叉概率与变异概率。63F自适应方法自适应方法：6.3.3自适应遗传算法 3.自适应的交叉概率与变异概率（续）自适应的交叉概率与变异概率（续）646.3.3自适应遗传算法S自适应方法自适应方法：3.自适应的交叉概率与变异概率（续）自适应的交叉概率与变异概率（续）656.3.3自适应遗传算法3.自适应的交叉概率与变异概率（续）自适应的交叉概率与变异概率（续）C自适应方法自适应方法：66第6章遗传算法及其应用o6.1遗传算法的产生与发展遗传算法的产生与发展o6.2遗传算法的基本算法遗传算法的基本算法o6.3遗传算法的改进算法遗传算法的改进算法6.4基于遗传算法的生产调度方法基于遗传算法的生产调度方法676.4基于遗传算法的生产调度方法 6.4.1基于遗传算法的流水车间调度方法基于遗传算法的流水车间调度方法6.4.2基于遗传算法的混合流水车间调度方法基于遗传算法的混合流水车间调度方法681.流水车间调度问题流水车间调度问题问题描述：n 个工件要在m 台机器上加工，每个工件需要经过m 道工序，每道工序要求不同的机器，n 个工件在m 台机器上的加工顺序相同。工件在机器上的加工时间是给定的，设为问题的目标：确定n 个工件在每台机器上的最优加工顺序，使最大流程时间达到最小。6.4.1基于遗传算法的流水车间调度方法691.流水车间流水车间调度问题调度问题 假设假设：(1)每个工件在机器上的加工顺序是给定的。(2)每台机器同时只能加工一个工件。(3)一个工件不能同时在不同的机器上加工。(4)工序不能预定。(5)工序的准备时间与顺序无关，且包含在加工时间中。(6)工件在每台机器上的加工顺序相同，且是确定的。6.4.1基于遗传算法的流水车间调度方法701.流水车间调度问题流水车间调度问题6.4.1基于遗传算法的流水车间调度方法 问题的数学模型：问题的数学模型：个工件、台机器的流水车间调度问题的完工时间：712.求解流水车间调度求解流水车间调度问题的遗传算法设计问题的遗传算法设计（1）FSP的编码方法的编码方法 对于FSP，最自然的编码方式是用染色体表示工件的顺序。6.4.1基于遗传算法的流水车间调度方法对于有四个工件的FSP，第 个染色体 ，表示工件的加工顺序为：。722.求解流水车间调度问题求解流水车间调度问题的遗传算法设计的遗传算法设计（2）FSP的适应度函数的适应度函数 :个染色体 的最大流程时间，FSP的适应度函数：6.4.1基于遗传算法的流水车间调度方法733.求解求解FSP的遗传算法实例的遗传算法实例例例1 1 Ho和Chang(1991)给出的5个工件、4台机器问题。工件131412530219553343234227641322141353355719 加工时间表加工时间表6.4.1基于遗传算法的流水车间调度方法74用遗传算法求解。选择交叉概率 ，变异概 ,种群规模为20，迭代次数 。表9.3遗传算法运行的结果总运行次数最好解最坏解平均最好解的频率最好解的平均代数20213221213.950.85126.4.1基于遗传算法的流水车间调度方法用穷举法求得最优解：4-2-5-1-3，加工时间：213；最劣解：1-4-2-3-5，加工时间：294；平均解的加工时间：265。遗传算法运行的结果遗传算法运行的结果 75表9.3遗传算法运行的结果最优解收敛图最优解收敛图6.4.1基于遗传算法的流水车间调度方法76平均值收敛图平均值收敛图6.4.1基于遗传算法的流水车间调度方法77机器甘特图机器甘特图6.4.1基于遗传算法的流水车间调度方法786.4.2基于遗传算法的混合流水车间调度方法1.混合流水混合流水车间调度问题车间调度问题 问题的特征问题的特征：在某些工序上存在并行机器并行机器。问问题题的的描描述述：需要加工多个工件，所有工件的加工路线都相同，都需要依次通过几道工序，在所有工序中至少有一个工序存在着多台并行机器。需需要要解解决决的的问问题题：确确定定并并行行机机器器的的分分配配情情况况以及同同一台机器上工件的加工排序一台机器上工件的加工排序。目标目标：最小化最大流程时间。79 假设加工 个工件，每个工件都要依次经过 个加工工序，每个工序的并行机器数为 ，。所有工序中至少有一个工序存在并行机，即至少有一个 大于1。6.4.2基于遗传算法的混合流水车间调度方法2.混合流混合流水车间调度问题的遗传算法编码方法水车间调度问题的遗传算法编码方法HFSP的编码矩阵的编码矩阵 ：上的一个实数，表示 工件的第 个工序在第台并行机上加工。：多个工件在同一台机器上加工同一个工序 80 ，按 的升序来加工工件。，根据每个工件的前一个工序的完成时间来确定其加工顺序，前一个工序先完成的先加工。假如完成时间相同，也按 的升序来加工。6.4.2基于遗传算法的混合流水车间调度方法染色体的长度：。染色体：染色体：81o例如，对于有3个个工工件件、3道道工工序序、各工序的并并行行机机器器数数分别为3，2，2的混合流水车间调度问题。6.4.2基于遗传算法的混合流水车间调度方法 染色体染色体：2.1，2.4，1.9，0，1.6，2.1，2.3，0，1.1，2.4，1.2 编码矩阵编码矩阵：混合流水车间调度的机器编号 823.基于遗传算法的求解方法基于遗传算法的求解方法9.4.2基于遗传算法的混合流水车间调度方法种群成员按适应值从好到坏依次排列种群成员按适应值从好到坏依次排列 按下式分配复制概率：按下式分配复制概率：（1）初始群体初始群体的产生的产生（2）适应度函数）适应度函数的选择的选择:最大流程时间的倒数最大流程时间的倒数（3）选择（）选择（非线性排名策略非线性排名策略）83（5）变异操作：分段变异操作：分段 （4）交叉操作交叉操作(a)(b)若，则，否则(c)6.4.2基于遗传算法的混合流水车间调度方法分段交叉分段交叉：在两个父体的各段中随机选取一部分基因，然后交换，得到子代个体。844.调度实例调度实例 某汽车发动机厂金加工车间要加工12个工件，每个工件都有车、刨、磨3个工序，现有3台车床，2台刨床，4台磨床，每台机床的加工能力不同。6.4.2基于遗传算法的混合流水车间调度方法85工件工件工序工序1工序工序2工序工序3机器机器1机器机器2机器机器3机器机器4机器机器5机器机器6机器机器7机器机器8 8机器机器9 9122345232324543434543654423425443465365854533134656654234395752446343583547533649254127865103643448671152435676512654543475工件在每个机器上的加工时间工件在每个机器上的加工时间6.4.2基于遗传算法的混合流水车间调度方法86得到的最好的染色体是：最好的染色体：2.77，3.51，1.74，3.52，2.42，1.36，3.28，3.94，1.09，1.22，2.24，3.64，0，1.60，1.13，1.24，2.97，1.73，1.88，1.08，2.68，1.16，2.69，2.51，2.96，0，4.99，3.29，4.95，2.35，1.10，1.01，1.73，1.35，3.06，1.20，4.13，3.676.4.2基于遗传算法的混合流水车间调度方法算法中使用的参数为=0.07，=0.80，=0.01，种群规模为30，种群经过100代的进化，目标函数最小值随着种群的进化逐渐地减小，最后收敛于极值，目标函数平均值也随着群体的进化逐渐减少，最后趋近于最优值。87得到的最好的染色体是：混合流水车间调度结果甘特图混合流水车间调度结果甘特图 6.4.2基于遗传算法的混合流水车间调度方法8888第6章进化算法及其应用o6.1进化算法的产生与发展进化算法的产生与发展o6.2基本遗传算法基本遗传算法o6.3遗传算法的改进算法遗传算法的改进算法o6.4基于遗传算法的生产调度方法基于遗传算法的生产调度方法o6.5差分进化算法及其应用差分进化算法及其应用o6.6量子进化算法及其应用量子进化算法及其应用896.5差分进化算法及其应用差分进化算法及其应用o差分进化算法的概念：差分进化算法的概念：n差分进化算法（差分进化算法（DEDE）或称为差分演化算法、）或称为差分演化算法、微微分进化算法分进化算法、微分演化算法、差异演化算法。、微分演化算法、差异演化算法。n19951995年由年由Rainer StornRainer Storn和和Kenneth PriceKenneth Price提出。提出。nDEDE是一种采用实数矢量编码在连续空间中进行是一种采用实数矢量编码在连续空间中进行随机搜索的优化算法。随机搜索的优化算法。n差分进化算法是一种基于实数编码的具有保优差分进化算法是一种基于实数编码的具有保优思想的贪婪思想的贪婪遗传算法遗传算法。906.5差分进化算法及其应用差分进化算法及其应用 6.5.1差分进化算法差分进化算法6.5.2差分进化算法的流程差分进化算法的流程6.5.3差分进化算法的改进差分进化算法的改进916.5.1差分进化算法差分进化算法o差分进化算法的基本要素差分进化算法的基本要素：n参数编码n初始群体的产生n适应度函数的设计n差分操作设计n控制参数设置926.5.1差分进化算法差分进化算法 参数编码参数编码DE采用实数编码方式。DE中的个体i表示为：。D表示问题空间维数，t 表示进化代数。为实数。不不必必进进行行数数制制转转换换，可直接在解的表现型上进行进化操作。93初始种群的产生初始种群的产生根据问题固有知识，把握解参数变量 的取值范围，然后，在此范围内设定初始群体。通常寻找初始种群的一个方法是从给定边界约束内的值中随机选择。设参数变量的界限为 ，则：NP表示种群规模，表示在0,1之间产生的均匀随机数。6.5.1差分进化算法差分进化算法 94适应度函数的设计适应度函数的设计在差分进化算法中，差分操作主要通过适应度函数的导向来实现的，它是用来评估个体相对于整个群体的优劣的相对值的大小。通常根据具体问题定义适应度函数，最直观的方法是直接将待求解优化问题的目标函数作为适应度函数。具体设计方法与遗传算法相似。具体设计方法与遗传算法相似。6.5.1差分进化算法差分进化算法 95差分操作设计差分操作设计变异变异对每个目标个体 ，它的变异个体 的产生方式根据差向量的个数以及父代基向量的选取方式的不同分如下几种：（1）（2）（3）6.5.1差分进化算法差分进化算法 96差分操作设计差分操作设计变异（续）变异（续）（4）（5）其中，、和 表示随机产生的 之间互异且不等于目标个体序号 的自然数。表示缩放比例因子，是一个实常数因数，控制偏差变量的放大作用。6.5.1差分进化算法差分进化算法 97差分操作设计差分操作设计变异（续）变异（续）将不符合边界约束的参数用在可行域中随机产生的参数代替。将不符合边界约束的参数映射到可行域内。若若变变异异产产生生的的新新个个体体参参数数值值不不符符合合边边界界约约束束条条件件，如如何处理？何处理？边界条件的处理边界条件的处理例如：参数，那么若变异得到的超出该范围，可通过函数来映射到0,1范围。6.5.1差分进化算法差分进化算法 98差分操作设计差分操作设计交叉交叉二项式（bin）交叉：其中，为第个0,1之间的随机数；为之间的随机自然数，它确保了至少从获得一个参数；为交叉概率，取值范围为0,1。对目标个体和变异个体实施交叉操作生成试验个体的过程称为交叉，。DE交叉操作分二项式（bin）交叉和指数（exp）交叉两种交叉方式。6.5.1差分进化算法差分进化算法 99差分操作设计差分操作设计二项式交叉（例）二项式交叉（例）6.5.1差分进化算法差分进化算法 100差分操作设计差分操作设计指数交叉指数交叉指数（exp）交叉。对第位参数：若：取目标个体上的第位参数作为试验个体上的第位参数；若：取变异个体上的第位参数作为试验个体上的第位参数；若：随机产生0,1之间的随机实数，若，取变异个体上的第位参数作为试验个体上的第位参数，否则，试验个体上剩下的所有参数都从目标个体继承。6.5.1差分进化算法差分进化算法 101差分操作设计差分操作设计指数交叉（例）指数交叉（例）6.5.1差分进化算法差分进化算法 102差分操作设计差分操作设计选择选择DE采用贪婪准则在和之间进行选择，产生下一代个体：表示适应度函数。上式是针对最大化问题而言，若是最小化问题，那么选择试验个体作为子代个体的条件是。6.5.1差分进化算法差分进化算法 103控制参数设置控制参数设置DE的搜索性能取决于算法全局探索和局部开发能力的平衡，而这在很大程度上依赖于算法的控制参数的选取。种群规模。种群规模NP必须满足以确保DE具有足够的不同的变异向量，根据经验，NP的合理选择在5D10D（D为问题空间的维数）之间。缩放比例因子。缩放比例因子是一个实常数，它决定偏差向量的放大比例。F越大，算法更容易逃出局部极小点，更容易收敛到全局最优点。一般取0.7。6.5.1差分进化算法差分进化算法 104控制参数设置（续）控制参数设置（续）交叉概率。交叉概率CR是一个范围在0,1的实数，它控制着一个试验个体参数来自于变异个体的概率。CR越大，算法更容易收敛，但易发生早熟现象。CR的一个较好的选择是0.3。最大迭代代数。一般而言，最大迭代次数越大，最优解越精确，但计算时间越长，要根据具体问题设定。终止条件。除最大进化代数可作为DE的终止条件外，有时还需要其它判定准则，一般当目标函数值小于阈值时程序终止，阈值常选为10-6。6.5.1差分进化算法差分进化算法 105控制参数设置（续）控制参数设置（续）F，CR与NP一样，在搜索过程中是常数，一般F和CR影响搜索过程的收敛速度和鲁棒性，它们的优化值不仅依赖于目标函数的特性，还与NP有关。通常可通过在对不同值做一些试验之后利用试验和结果误差找到F，CR和NP的合适值。6.5.1差分进化算法差分进化算法 106开始初始化种群、DE算法参数；设置进化代数t0计算群体中每个个体适应值变异操作交叉操作选择操作tt1是否满足终止条件最优结果YN6.5.2差分进化算法的流程差分进化算法的流程 107差分进化算法的特点差分进化算法的特点 算法原理简单，容易实现；算法通用，不依赖于问题信息。分散搜索，能在整个解空间进行全局搜索。保优搜索，具有记忆个体最优解的能力。协同搜索，具有利用个体局部信息和群体全局信息指导算法进一步搜索的能力。直接对结构对象进行操作，不存在对目标函数的限定（如要求函数可导或连续）。