第9章-遗传算法及其应用优秀PPT.ppt

《第9章-遗传算法及其应用优秀PPT.ppt》由会员分享，可在线阅读，更多相关《第9章-遗传算法及其应用优秀PPT.ppt（91页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、Artificial Intelligence Principles and Applications第第9章章遗传算法及其应用遗传算法及其应用教材：教材：王万良人工智能及其应用（第王万良人工智能及其应用（第2版）版）高等教化出版社，高等教化出版社，2008.62第9章 遗传算法及其应用o9.1遗传算法的产生与发展遗传算法的产生与发展o9.2遗传算法的基本算法遗传算法的基本算法o9.3遗传算法的改进算法遗传算法的改进算法o9.4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3第9章 遗传算法及其应用9.1遗传算法的产生与发展遗传算法的产生与发展o9.2遗传算法的基本算法遗传算法的基本算法

2、o9.3遗传算法的改进算法遗传算法的改进算法o9.4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4 9.1 遗传算法的产生与发展 遗传算法（genetic algorithms，GA）：一类借鉴生物界自然选择和自然遗传机制的随机搜寻算法,特别适用于处理传统搜寻方法难以解决的困难和非线性优化问题。遗传算法可广泛应用于组合优化、机器学习、自适应限制、规划设计和人工生命等领域。59.1 遗传算法的产生与发展9.1.1遗传算法的生物背景遗传算法的生物背景9.1.2遗产算法的基本思想遗产算法的基本思想9.1.3遗产算法的发展历史遗产算法的发展历史9.1.4设计遗产算法设计遗产算法的基本原则与内容

3、的基本原则与内容69.1.1 遗传算法的生物学背景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。79.1.2 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

4、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）解中每一分量的特征解中每一分量的特征适应性（适应性（Fitness）适应函数值适应函数值群体（群体（Population）根根据据适适应应函函数数值值选选定定的的一一组组解解（解解的的个个数为群体的规模）数为群体的规模）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

5、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89.1.2 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起起先先，然然后后通通过过确确定定的的法则进行逐步迭代以产生新的解。法则进行逐步迭代以产生新的解。99.1.3 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，Hollstie

6、n在论文计算机限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限制的方法。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年头以后，遗传算法进入兴盛发展时期。109.1.4 设计遗传算法的基本原则与内容 设计的基本原则：设计的基本原则：适用性适用性：算法所能适用的问题种类。：算法所能适用的问题种类。可靠性可靠性：算法对于所设计的问题，以适当的精度求解算法对于所设计的问题，以适当的精度求解其中大多数问题的能力其中大多数问题的能力。收敛性收敛性：算法能否收敛到全局最优。：算法能否收敛到全局最优。稳定性稳定

7、性：算法对其控制参数及问题数据的敏感度算法对其控制参数及问题数据的敏感度。生物类比生物类比：通过类比的方法引入在生物界被认为是有：通过类比的方法引入在生物界被认为是有效的方法及操作。效的方法及操作。11设计的基本内容：设计的基本内容：9.1.4 设计遗传算法的基本原则与内容 编码方案编码方案：编码表示方式。：编码表示方式。适应度函数适应度函数：目标函数。：目标函数。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、执执行行不同遗传操作的概率等。不同遗传操作的概率等。遗遗传传算算子子：选选择择(selection)；交交叉叉(c

8、rossover)；变变异异(mutation)。算算法法的的终终止止准准则则：规规定定一一个个最最大大的的演演化化代代数数，或或算算法法在连续多少代以后解的适应值没有改进。在连续多少代以后解的适应值没有改进。12第9章 遗传算法及其应用o9.1遗传算法的产生与发展遗传算法的产生与发展9.2遗传算法的基本算法遗传算法的基本算法o9.3遗传算法的改进算法遗传算法的改进算法o9.4基于遗传算法基于遗传算法的生产调度方法的生产调度方法139.2 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：o参数编码参数编码o初始群体的设定初始群体的设定o适应度函数的设计适应度函数的设计o遗传

9、操作设计遗传操作设计o限制参数设定限制参数设定149.2 遗传算法的基本算法9.2.1编码编码9.2.2群体设定群体设定9.2.3适应度函数适应度函数9.2.4选择选择9.2.5交叉交叉9.2.6变异变异9.2.7遗传算法遗传算法的一般步骤的一般步骤159.2.1 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169.2.1 编码(1)二进制编码二进制编码（续）（续）优点：优点：类

10、类似似于于生生物物染染色色体体的的组组成成，算算法法易易于于用用生生物物遗遗传传理理论论说说明明，遗遗传操作如交叉、变异等易实现；算法处理的模式数最多。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：相相邻邻整整数数的的二二进进制制编编码码可可能能具具有有较较大大的的HammingHamming距距离离，降降低低了遗传算子的搜寻效率。了遗传算子的搜寻效率。15 15：01111 1601111 16：10000 10000 要先给出求解的精度。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，算法的搜寻效率低。求解高维优化问题的二进制编码串长，算法的搜寻效率低。17 9.2.

11、1 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 18 9.2.1 编码 2.实数编码实数编码 接受实数表达法不必进行数制转换，可干脆在解的表现型上进行遗传操作。多参数映射编码的基本思想：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。19 9.2.1 编码 3.有序串编码有序串编码 有有序序问问题题：目标函数的值不仅与表示解的字符串的值有关，而且与其所在字

12、符串的位置有关。4结构式编码结构式编码 Goldberg等提出MessyGA(mGA)的遗传算法编码方法。201.初始种群的产生初始种群的产生 9.2.2 群体设定（1）依据问题固有学问，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）随机产生确定数目的个体，从中选择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。212.种群规模的确定种群规模的确定 9.2.2 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

13、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，计算困难。221.1.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 9.2.3 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231.1.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）9.2.3 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

14、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。242.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，将全部阻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 瞒 问 题（deceptive problem）。9.2.3 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：变变更更原原始始适适应应值值的的比比例例关关系系，以以提提高高个个体体之之间的竞争力。间的竞争力。适应度函数的尺尺度度变变换换（fitnessscaling）或者定定

15、标标：对适应度函数值域的某种映射变换。252.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：9.2.3 适应度函数满足满足最小适应度值非负 262.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：9.2.3 适应度函数（3）指数变换法：279.2.4 选择 1.个体选择概率安排方法个体选择概率安排方法2.选选择择操操作作也也称称为为复复制制（reproduction）操操作作：从从当当前前群群体体中中依依据据确确定定概概率率选选出出优优良良的的个个体体，使使它们有机会作为父代繁殖下一代子孙。它们有机会作为父代繁殖下一代子孙。3.推推断断个个体体优优良良

16、与与否否的的准准则则是是各各个个个个体体的的适适应应度度值：个体适应度越高，其被选择的机会就越多。值：个体适应度越高，其被选择的机会就越多。289.2.4 选择 1.个体选择概率安排方法个体选择概率安排方法2.（1）适适应应度度比比例例方方法法（fitnessproportionalmodel）或或蒙特卡罗法（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：299.2.4 选择 1.个体选择概率安排方法个体选择概率安排方法（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

17、体 按转盘式选择的方式选择父体309.2.4 选择 1.个体选择概率安排方法个体选择概率安排方法（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，并按下式安排选择概率：319.2.4 选择 1.1.个体选择概率安排方法个体选择概率安排方法（2 2）排序方法排序方法 （rank-based modelrank-based model）可用其他非线性函数来安排选择概率，只要满足以下条件：329.2.4 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（roulette wheel selection）按个

18、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：0.32 339.2.4 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（stochastic tournament）：每次按赌轮选择方法选取一对个体，然后让这两个个体

19、进行竞争，适应度高者获胜。如此反复，直到选满为止。349.2.4 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。359.2.4 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（elitist elitist modelmodel）保保存存方方法法：把把群群体体中中适适应应度度最最高高的的个个体体不不进进行行交交叉叉而而干干脆脆复复制制到到下下一一代代中中，保保证证遗遗传传算算法法终终止止时时得得到到的的最最终终结结

20、果果确确定定是是历历代代出出现现过过的的最最高高适适应应度度的的个个体。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。369.2.5 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-point crossover）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-point crossover）379.2.5 交叉 1.基本的交叉算子（

21、续）基本的交叉算子（续）匀整交叉：依据匀整概率抽取一些位，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）匀整交叉（uniform crossover）或一样交叉389.2.5 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)399.2.5 交叉 2.修正的交叉方法修正的交叉方法(续）续）（2）依次交叉）依次交叉OX：DavisL.(1985)（3）循环交叉循环交叉CX：Smith D.(1985)409.2.5 交叉 3.实数编码的交叉方法实数编码的

22、交叉方法（1）离散交叉）离散交叉（discrete crossover）部分别散交叉：在父解向量中选择一部分重量，然后交换这些重量。二进制的点式交叉 整体离散交叉：以0.5的概率交换父体 的全部重量。二进制编码的匀整性交叉 21ss 与419.2.5 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（arithmetical crossover）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：429.2.5 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

23、叉（arithmetical crossover）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：439.2.6 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：群群体体中中的的个个体体码码串串，随随机机选选择择一一个个或或多多个个基基因因座座，并并对对这这些些基基因因座座的的基基因因值值以以变变异概率作变动。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。449.2.6 变异 1.整数编

24、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：随随机机选选取取染染色色体体的的两两个个基基因因进进行行简洁互换。简洁互换。（5）移移动动变变异异：随随机机选选取取一一个个基基因因，向向左左或或者者向向右移动一个随机位数。右移动一个随机位数。（6）自自适适应应变变异异：类类似似于于位位点点变变异异，但但变变异异概概率率随群体中个体的多样性程度而自适应调整。随群体中个体的多样性程度而自适应调整。459.2.6 变异 2.实数编码的变异方法实数编码的变异方法（1）匀整性变异）匀整性变异 匀整性变异：在父解向量中随机地选择一个重量（第 个），然后在 中以匀整概率随机选择 代替 以得

25、到 ，即 469.2.6 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）479.2.6 变异 2.实数编码的变异方法（续）实数编码的变异方法（续）（3）非一样性变异）非一样性变异 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，而随着演化的推动，变异范围越来越小，起着一种对演化系统的微调作用。489.2.6 变异 2.实数编码的变异方法（续）实数编码的变异方法（续）（3）非一样性变异）非一样性变异499.2.6 变异 2.实数编码的变异方法（续）实数编

26、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：509.2.7 遗传算法的一般步骤519.2.7 遗传算法的一般步骤（1）运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 529.2.7 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

27、群体 返回（2）。539.2.8 遗传算法的特点 可干脆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寻。接受群体搜寻策略，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。54第9章 遗传算法及其应用o9.1遗传算法的产生与发展遗传算法的产生与发展o9.2遗传算法的基本算法遗传算法的基本算法9.3遗传算法的改进算法遗传算法的改进算法o9.4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559.3 遗传算法的改进算法 9.3.1双倍体遗传算法双倍体遗传算法9.3.2双种群遗传算法双种群遗传算法9.3.3自适应遗传算法自

28、适应遗传算法56 9.3.1 双倍体遗传算法1.基本思想基本思想双双倍倍体体遗遗传传算算法法接接受受显显性性和和隐隐性性两两个个染染色色体体同同时时进进行行进进化化，供供应应了了一一种种记记忆忆以以前前有有用用的的基基因因块块的的功能。功能。双倍体双倍体遗传遗传算法接受算法接受显显性性遗传遗传。双倍体遗传延长了有用基因块的寿命，提高了算法的收敛实力，在变异概率低的状况下能保持确定水平的多样性。579.3.1 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：两个染色体（显性、隐性）解码：两个染色体（显性、隐性）（2）复复制制算算子子：计计算算显显性性染染色色体体

29、的的适适应应度度，依依据据显显性性染染色色体体的复制概率将个体复制到下一代群体中。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：两两个个个个体体的的显显性性染染色色体体交交叉叉、隐隐性性染染色色体体也也同时交叉。同时交叉。（4）变变异异算算子子：个个体体的的显显性性染染色色体体按按正正常常的的变变异异概概率率变变异异；隐性染色体按较大的变异概率变异。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：个个体体中中适适应应值值较较大大的的染染色色体体设设为为显显性性染染色色体体，适适应应值值较较小小的的染染色色体体设设为为隐隐性性染染色体

30、。色体。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 599.3.2 双种群遗传算法 1.1.基本思想基本思想2.2.在在遗遗传传算算法法中中运运用用多多种种群群同同时时进进化化，并并交交换换种种群群之之间间优优秀秀个个体体所所携携带带的的遗遗传传信信息息，以以打打破破种种群群内内的的平平衡衡态态达达到到更更高高的的平平衡衡态态，有有利利于于算算法法跳跳出出局部最优。局部最优。3.3.多多种种群群遗遗传传算算法法：建建立立两两个个遗遗传传算算法法群群体体，分分别别独独立立地地运运行行复复制制、交交叉叉、变变异异操操作作，同同时时当当每每一一代代运运行行结结束束以以后后，选选择择两两个

31、个种种群群中中的的随随机机个个体体及最优个体分别交换。及最优个体分别交换。609.3.2 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。61 双种群遗传算法程序流程图双种群遗传算法程序流程图 629.3.3 自适应遗传算法 1.基本思想基本思想 Srinvivas M.，Patnaik L.M.等在1994年提出一种自适应遗传算法

32、(adaptive genetic algorithms，AGA)：能随适应度自动变更。AGA：当种群各个体适应度趋于一样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 削减，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 ，使得该解得以爱护进入下一代；对低于平均适应值的个体，选择较高的 值，使该解被淘汰。639.3.3 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

33、 。（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。642.自适应遗传算法的步骤（续）自适应遗传算法的步骤（续）（6）对于群体中的全部个体，共）对于群体中的全部个体，共N个，依据自适个，依据自适应变异公式计算自适应变异概率应变异公式计算自适应变异概率，随机产生，随机产生R(0,1)，假如，假如则对该染色体进行交叉操作。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）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。个体与父代一起构成新群体。（8）

34、推断是否达到预定的迭代次数，是则结束；）推断是否达到预定的迭代次数，是则结束；否则转否则转（4）。）。9.3.3 自适应遗传算法653.适应的适应的交叉概率与变异概率交叉概率与变异概率9.3.3 自适应遗传算法 一般自适应算法中，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，仍旧保留（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。66 F自适应方法自适应方法：9.3.3 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）679.3.3 自适应遗传算

35、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）689.3.3 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：69第9章 遗传算法及其应用o9.1遗传算法的产生与发展遗传算法的产生与发展o9.2遗传算法的基本算法遗传算法的基本算法o9.3遗传算法的改进算法遗传算法的改进算法9.4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709.4 基于遗传算法的生产调度方法 9.4.1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9.4.2基于遗传算法的混合流水车间调度方法基于遗

36、传算法的混合流水车间调度方法711.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，每个工件须要经过 m 道工序，每道工序要求不同的机器，n 个工件在 m 台机器上的加工依次相同。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依次，使最大流程时间达到最小。9.4.1 基于遗传算法的流水车间调度方法721.流水车间流水车间调度问题调度问题 假设：假设：(1)(1)每个工件在机器上的加工依次是给定的。每个工件在机器上的加工依次是给定的。(2)(2)每台机器同时只能加工一个工件。每台机器同时只能加工一个工件。(3)(3)一个工件

37、不能同时在不同的机器上加工。一个工件不能同时在不同的机器上加工。(4)(4)工序不能预定。工序不能预定。(5)(5)工工序序的的准准备备时时间间与与依依次次无无关关，且且包包含含在在加加工工时时间间中。中。(6)(6)工件在每台机器上的加工依次相同，且是确定的。工件在每台机器上的加工依次相同，且是确定的。9.4.1 基于遗传算法的流水车间调度方法731.流水车间调度问题流水车间调度问题9.4.1 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：742.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

38、码方法的编码方法对于对于FSP，最自然的编码方式是用染色体表示工件的，最自然的编码方式是用染色体表示工件的依次。依次。9.4.1 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：。752.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：9.4.1 基于遗传算法的流水车间调度方法763.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131412530219553343234

39、227641322141353355719 加工时间表加工时间表 9.4.1 基于遗传算法的流水车间调度方法77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20213221213.950.85129.4.1 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 78表9.3 遗传算法运行的结果 最优解收敛图最优解收敛图 9.4.1 基于遗传算法

40、的流水车间调度方法79平均值收敛图平均值收敛图 9.4.1 基于遗传算法的流水车间调度方法80机器甘特图机器甘特图 9.4.1 基于遗传算法的流水车间调度方法819.4.2 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：在某些工序上存在并行机器。问题的描述：须要加工多个工件，全部工件的加工路途都相同，都须要依次通过几道工序，在全部工序中至少有一个工序存在着多台并行机器。须要解决的问题：确定并行机器的安排状况以及同一台机器上工件的加工排序。目标：最小化最大流程时间。82 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 ，。

41、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。9.4.2 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 83 ，按 的升序来加工工件。，依据每个工件的前一个工序的完成时间来确定其加工依次，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。9.4.2 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：84o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

42、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。9.4.2 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 853.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

43、排名策略）86（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)9.4.2 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。874.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，每台机床的加工实力不同。9.4.2 基于遗传算法的混合流水车间调度方法88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 91223452323

44、24543434543654423425443465365854533134656654234395752446343583547533649254127865103643448671152435676512654543475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 9.4.2 基于遗传算法的混合流水车间调度方法89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，

45、2.96，0，4.99，3.29，4.95，2.35，1.10，1.01，1.73，1.35，3.06，1.20，4.13，3.67 9.4.2 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。90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 9.4.2 基于遗传算法的混合流水车间调度方法91Artificial Intelligence Principles and ApplicationsTHEEND