遗传算法原理.ppt

《遗传算法原理.ppt》由会员分享，可在线阅读，更多相关《遗传算法原理.ppt（97页珍藏版）》请在淘文阁 - 分享文档赚钱的网站上搜索。

1、关于遗传算法原理关于遗传算法原理现在学习的是第1页，共97页报告提纲报告提纲一、遗传算法概述一、遗传算法概述 二、遗传算法原理二、遗传算法原理三、遗传算法的应用三、遗传算法的应用现在学习的是第2页，共97页一、遗传算法概述1 1、智能优化算法智能优化算法 2 2、基本遗传算法基本遗传算法 3 3、遗传算法的特点遗传算法的特点 现在学习的是第3页，共97页1 1、智能优化算法、智能优化算法 智能优化算法又称为现代启发式算法，智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且是一种具有全局优化性能、通用性强、且适合于并行处理的算法。这种算法一般具适合于并行处理的算法。这种算法一

2、般具有严密的理论依据，而不是单纯凭借专家有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最经验，理论上可以在一定的时间内找到最优解或近似最优解。优解或近似最优解。现在学习的是第4页，共97页常用的智能优化算法常用的智能优化算法（1 1 1 1）遗传算法遗传算法（Genetic AlgorithmGenetic Algorithm，简称简称简称简称GAGA）（2 2 2 2）模拟退火算法模拟退火算法（Simulated AnnealingSimulated Annealing，简称简称简称简称SASA）（3 3 3 3）禁忌搜索算法禁忌搜索算法禁忌搜索算法禁忌搜索算法（Ta

3、bu SearchTabu Search，简称简称简称简称TSTS）现在学习的是第5页，共97页智能优化算法的特点智能优化算法的特点 它们的共同特点：都是从任一解出发，按照它们的共同特点：都是从任一解出发，按照某种机制，以一定的概率在整个求解空间中探索某种机制，以一定的概率在整个求解空间中探索最优解。由于它们可以把搜索空间扩展到整个问最优解。由于它们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。题空间，因而具有全局优化性能。返回返回现在学习的是第6页，共97页遗传算法起源遗传算法起源 遗传算法是由美国的遗传算法是由美国的J.Holland教授于教授于1975年在他的专著自然界和人工系

4、统的适应年在他的专著自然界和人工系统的适应性中首先提出的，它是一类借鉴生物界自然性中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法选择和自然遗传机制的随机化搜索算法。现在学习的是第7页，共97页遗传算法的搜索机制遗传算法的搜索机制 遗传算法模拟自然选择和自然遗传过程遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子从解群中选取较优的个体，利用遗传算子(选选择、交叉和突变择、交叉和突变)对这些个体进行组合

5、，产生对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足新一代的候选解群，重复此过程，直到满足某种收敛指标为止。某种收敛指标为止。返回返回现在学习的是第8页，共97页2 2、基本遗传算法、基本遗传算法 基本遗传算法（基本遗传算法（Simple Genetic Algorithms，简称，简称SGA，又称简单遗传算法或标准遗传算，又称简单遗传算法或标准遗传算法），是由法），是由Goldberg总结出的一种最基本的遗总结出的一种最基本的遗传算法，其遗传进化操作过程简单，容易理解，传算法，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础。是其它一些遗传算法的雏形和基础。现

6、在学习的是第9页，共97页基本遗传算法的组成基本遗传算法的组成 （1 1）编码（产生初始种群）编码（产生初始种群）（2 2）适应度函数）适应度函数（3 3）遗传算子（选择、交叉、突变）遗传算子（选择、交叉、突变）（4 4）运行参数）运行参数现在学习的是第10页，共97页 编码编码 GA是通过某种编码机制把对象抽象为是通过某种编码机制把对象抽象为由特定符号按一定顺序排成的串。正如研由特定符号按一定顺序排成的串。正如研究生物遗传是从染色体着手，而染色体则究生物遗传是从染色体着手，而染色体则是由基因排成的串。是由基因排成的串。SGA使用二进制串进使用二进制串进行编码。行编码。现在学习的是第11页，共

7、97页函数优化示例函数优化示例 求下列一元函数的最大值：求下列一元函数的最大值：x-1,2 x-1,2 ，求解结果精确到，求解结果精确到6 6位小数。位小数。现在学习的是第12页，共97页SGA对于本例的编码对于本例的编码 由于区间长度为由于区间长度为3，求解结果精确到，求解结果精确到6位小数，因位小数，因此可将自变量定义区间划分为此可将自变量定义区间划分为3106等份。又因为等份。又因为221 3106 222，所以本例的二进制编码长度至少，所以本例的二进制编码长度至少需要需要22位，本例的编码过程实质上是将区间位，本例的编码过程实质上是将区间-1，2内内对应的实数值转化为一个二进制串（对应

8、的实数值转化为一个二进制串（b21b20b0）。）。现在学习的是第13页，共97页几个术语几个术语 基因型：基因型：1000101110110101000111 表现型：表现型：0.637197 编码解码个体（染色体）基因现在学习的是第14页，共97页初始种群初始种群 SGA采用随机方法生成若干个个体采用随机方法生成若干个个体的集合，该集合称为初始种群。初始种群的集合，该集合称为初始种群。初始种群中个体的数量称为种群规模。中个体的数量称为种群规模。现在学习的是第15页，共97页 适应度函数适应度函数 遗传算法对一个个体（解）的好坏用遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数

9、值越大，适应度函数值来评价，适应度函数值越大，解的质量越好。适应度函数是遗传算法进解的质量越好。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯化过程的驱动力，也是进行自然选择的唯一标准，它的设计应结合求解问题本身的一标准，它的设计应结合求解问题本身的要求而定。要求而定。现在学习的是第16页，共97页选择算子选择算子 遗传算法使用选择运算来实现对群体中的个体遗传算法使用选择运算来实现对群体中的个体进行优胜劣汰操作：适应度高的个体被遗传到下一进行优胜劣汰操作：适应度高的个体被遗传到下一代群体中的概率大；适应度低的个体，被遗传到下代群体中的概率大；适应度低的个体，被遗传到下一代群体中的概

10、率小。选择操作的任务就是按某种一代群体中的概率小。选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群方法从父代群体中选取一些个体，遗传到下一代群体。体。SGA中选择算子采用轮盘赌选择方法。中选择算子采用轮盘赌选择方法。现在学习的是第17页，共97页轮盘赌选择方法轮盘赌选择方法 轮盘赌选择又称比例选择算子，它的基本思想是：各轮盘赌选择又称比例选择算子，它的基本思想是：各轮盘赌选择又称比例选择算子，它的基本思想是：各轮盘赌选择又称比例选择算子，它的基本思想是：各个个体被选中的概率与其适应度函数值大小成正比。设群个个体被选中的概率与其适应度函数值大小成正比。设群个个体被选中的概率与

11、其适应度函数值大小成正比。设群个个体被选中的概率与其适应度函数值大小成正比。设群体大小为体大小为体大小为体大小为n n，个体，个体，个体，个体i i 的适应度为的适应度为的适应度为的适应度为 F Fi i，则个体，则个体，则个体，则个体i i 被选中遗传到被选中遗传到被选中遗传到被选中遗传到下一代群体的概率为：下一代群体的概率为：下一代群体的概率为：下一代群体的概率为：现在学习的是第18页，共97页轮盘赌选择方法的实现步骤轮盘赌选择方法的实现步骤（1 1）计算群体中所有个体的适应度函数值（需要解计算群体中所有个体的适应度函数值（需要解码）；码）；（2 2 2 2）利用比例选择算子的公式，计算每

12、个个体被选中遗利用比例选择算子的公式，计算每个个体被选中遗利用比例选择算子的公式，计算每个个体被选中遗利用比例选择算子的公式，计算每个个体被选中遗传到下一代群体的概率；传到下一代群体的概率；传到下一代群体的概率；传到下一代群体的概率；（3 3 3 3）采用模拟赌盘操作（即生成采用模拟赌盘操作（即生成采用模拟赌盘操作（即生成采用模拟赌盘操作（即生成0 0 0 0到到到到1 1 1 1之间的随机数与每个之间的随机数与每个之间的随机数与每个之间的随机数与每个个体遗传到下一代群体的概率进行匹配）来确定各个个体个体遗传到下一代群体的概率进行匹配）来确定各个个体个体遗传到下一代群体的概率进行匹配）来确定各

13、个个体个体遗传到下一代群体的概率进行匹配）来确定各个个体是否遗传到下一代群体中。是否遗传到下一代群体中。是否遗传到下一代群体中。是否遗传到下一代群体中。现在学习的是第19页，共97页交叉算子交叉算子 所谓交叉运算，是指对两个相互配对的染色体依据所谓交叉运算，是指对两个相互配对的染色体依据所谓交叉运算，是指对两个相互配对的染色体依据所谓交叉运算，是指对两个相互配对的染色体依据交叉概率交叉概率交叉概率交叉概率 P Pc c 按某种方式相互交换其部分基因，从而形按某种方式相互交换其部分基因，从而形按某种方式相互交换其部分基因，从而形按某种方式相互交换其部分基因，从而形成两个新的个体。交叉运算是遗传算

14、法区别于其他进化成两个新的个体。交叉运算是遗传算法区别于其他进化成两个新的个体。交叉运算是遗传算法区别于其他进化成两个新的个体。交叉运算是遗传算法区别于其他进化算法的重要特征，它在遗传算法中起关键作用，是产生算法的重要特征，它在遗传算法中起关键作用，是产生算法的重要特征，它在遗传算法中起关键作用，是产生算法的重要特征，它在遗传算法中起关键作用，是产生新个体的主要方法。新个体的主要方法。新个体的主要方法。新个体的主要方法。SGA SGA中交叉算子采用单点交叉算中交叉算子采用单点交叉算中交叉算子采用单点交叉算中交叉算子采用单点交叉算子。子。子。子。现在学习的是第20页，共97页单点交叉运算单点交叉

15、运算 交叉前：交叉前：00000|0111000000001000011100|00000111111000101交叉后：交叉后：00000|0000011111100010111100|01110000000010000交叉点现在学习的是第21页，共97页突变算子突变算子 所谓突变运算，是指依据突变概率所谓突变运算，是指依据突变概率所谓突变运算，是指依据突变概率所谓突变运算，是指依据突变概率 P Pm m 将个体将个体编码串中的某些基因值用其它基因值来替换，从编码串中的某些基因值用其它基因值来替换，从而形成一个新的个体。遗传算法中的突变运算是而形成一个新的个体。遗传算法中的突变运算是产生新个

16、体的辅助方法，它决定了遗传算法的局产生新个体的辅助方法，它决定了遗传算法的局部搜索能力，同时保持种群的多样性。交叉运算部搜索能力，同时保持种群的多样性。交叉运算和突变运算的相互配合，共同完成对搜索空间的和突变运算的相互配合，共同完成对搜索空间的全局搜索和局部搜索。全局搜索和局部搜索。SGA中突变算子采用基本中突变算子采用基本位突变算子。位突变算子。现在学习的是第22页，共97页基本位突变算子基本位突变算子 基本位突变算子是指对基本位突变算子是指对基本位突变算子是指对基本位突变算子是指对个体编码串个体编码串随机指随机指定的某一位定的某一位或或或或某几位基因某几位基因某几位基因某几位基因作突变运算

17、。对于基作突变运算。对于基作突变运算。对于基作突变运算。对于基本遗传算法中用二进制编码符号串所表示的个本遗传算法中用二进制编码符号串所表示的个本遗传算法中用二进制编码符号串所表示的个本遗传算法中用二进制编码符号串所表示的个体，若需要进行突变操作的体，若需要进行突变操作的体，若需要进行突变操作的体，若需要进行突变操作的某一基因某一基因某一基因某一基因座上的原有座上的原有座上的原有座上的原有基因值为基因值为基因值为基因值为0 0，则突变操作将其变为，则突变操作将其变为，则突变操作将其变为，则突变操作将其变为1 1；反之，若原；反之，若原；反之，若原；反之，若原有基因值为有基因值为有基因值为有基因值

18、为1 1，则突变操作将其变为，则突变操作将其变为，则突变操作将其变为，则突变操作将其变为0 0。现在学习的是第23页，共97页基本位突变算子的执行过程基本位突变算子的执行过程 突变前：突变前：000001110000000010000突变后：突变后：000001110001000010000突变点现在学习的是第24页，共97页运行参数运行参数（1）M ：种群规模种群规模（2）T ：遗传运算的终止进化代数遗传运算的终止进化代数（3）Pc ：交叉概率交叉概率（4）Pm：突变概率突变概率 现在学习的是第25页，共97页SGA的框图的框图 产生初始群体产生初始群体是否满足停止准则是否满足停止准则是是输

19、出结果并结束输出结果并结束计算个体适应度值计算个体适应度值比例选择运算比例选择运算单点交叉运算单点交叉运算基本位突变运算基本位突变运算否否产生新一代群体产生新一代群体执行M/2次返回返回现在学习的是第26页，共97页3、遗传算法的特点、遗传算法的特点（1）群体搜索，易于并行化处理；）群体搜索，易于并行化处理；（2）不是盲目穷举，而是启发式搜索；）不是盲目穷举，而是启发式搜索；（3）适应度函数不受连续、可微等条件的约束，）适应度函数不受连续、可微等条件的约束，适用范围很广。适用范围很广。返回返回现在学习的是第27页，共97页二、遗传算法原理1 1、遗传算法的数学基础遗传算法的数学基础 2 2、遗

20、传算法的收敛性分析遗传算法的收敛性分析 3 3、遗传算法的改进遗传算法的改进 返回返回现在学习的是第28页，共97页1 1、遗传算法的数学基础遗传算法的数学基础（1 1）模式定理）模式定理 （2 2）积木块假设）积木块假设 返回返回现在学习的是第29页，共97页模式模式 模式是指种群个体基因串中的相似样板，模式是指种群个体基因串中的相似样板，它用来描述基因串中某些特征位相同的结构。它用来描述基因串中某些特征位相同的结构。在二进制编码中，模式是基于三个字符集在二进制编码中，模式是基于三个字符集(0,1,*)的字符串，符号的字符串，符号*代表任意字符，即代表任意字符，即 0 或或者者 1。模式示例

21、：模式示例：10*1现在学习的是第30页，共97页两个定义两个定义定义定义1：模式：模式 H 中确定位置的个数称为模式中确定位置的个数称为模式 H 的阶，记作的阶，记作O(H)。例如。例如O(10*1)=3。定义定义2：模式：模式 H 中第一个确定位置和最后一个确中第一个确定位置和最后一个确定位置之间的距离称为模式定位置之间的距离称为模式 H 的定义距，记作的定义距，记作(H)。例如。例如(10*1)=4。现在学习的是第31页，共97页模式的阶和定义距的含义模式的阶和定义距的含义 模式阶用来反映不同模式间确定性的差模式阶用来反映不同模式间确定性的差异，模式阶数越高，模式的确定性就越高，异，模式

22、阶数越高，模式的确定性就越高，所匹配的样本数就越少。在遗传操作中，即所匹配的样本数就越少。在遗传操作中，即使阶数相同的模式，也会有不同的性质，而使阶数相同的模式，也会有不同的性质，而模式的定义距就反映了这种性质的差异。模式的定义距就反映了这种性质的差异。现在学习的是第32页，共97页模式定理模式定理 模式定理：具有低阶、短定义距以及平均模式定理：具有低阶、短定义距以及平均适应度高于种群平均适应度的模式在子代中呈适应度高于种群平均适应度的模式在子代中呈指数增长。指数增长。模式定理保证了较优的模式（遗传算法的模式定理保证了较优的模式（遗传算法的较优解）的数目呈指数增长，为解释遗传算法较优解）的数目

23、呈指数增长，为解释遗传算法机理提供了数学基础。机理提供了数学基础。现在学习的是第33页，共97页模式定理模式定理 从模式定理可看出，有高平均适应度、短定义距、从模式定理可看出，有高平均适应度、短定义距、从模式定理可看出，有高平均适应度、短定义距、从模式定理可看出，有高平均适应度、短定义距、低阶的模式，在连续的后代里获得至少以指数增长的低阶的模式，在连续的后代里获得至少以指数增长的低阶的模式，在连续的后代里获得至少以指数增长的低阶的模式，在连续的后代里获得至少以指数增长的串数目，这主要是因为选择使最好的模式有更多的复串数目，这主要是因为选择使最好的模式有更多的复串数目，这主要是因为选择使最好的模

24、式有更多的复串数目，这主要是因为选择使最好的模式有更多的复制，交叉算子不容易破坏高频率出现的、短定义长的制，交叉算子不容易破坏高频率出现的、短定义长的制，交叉算子不容易破坏高频率出现的、短定义长的制，交叉算子不容易破坏高频率出现的、短定义长的模式，而一般突变概率又相当小，因而它对这些重要模式，而一般突变概率又相当小，因而它对这些重要模式，而一般突变概率又相当小，因而它对这些重要模式，而一般突变概率又相当小，因而它对这些重要的模式几乎没有影响。的模式几乎没有影响。的模式几乎没有影响。的模式几乎没有影响。返回返回现在学习的是第34页，共97页积木块假设积木块假设 积木块假设：遗传算法通过短定义距、

25、低阶以及高积木块假设：遗传算法通过短定义距、低阶以及高积木块假设：遗传算法通过短定义距、低阶以及高积木块假设：遗传算法通过短定义距、低阶以及高平均适应度的模式（积木块），在遗传操作下相互结合，平均适应度的模式（积木块），在遗传操作下相互结合，平均适应度的模式（积木块），在遗传操作下相互结合，平均适应度的模式（积木块），在遗传操作下相互结合，最终接近全局最优解。最终接近全局最优解。最终接近全局最优解。最终接近全局最优解。模式定理保证了较优模式的样本数呈指数增长，从模式定理保证了较优模式的样本数呈指数增长，从模式定理保证了较优模式的样本数呈指数增长，从模式定理保证了较优模式的样本数呈指数增长，从而

26、使遗传算法找到全局最优解的可能性存在；而积木块而使遗传算法找到全局最优解的可能性存在；而积木块而使遗传算法找到全局最优解的可能性存在；而积木块而使遗传算法找到全局最优解的可能性存在；而积木块假设则指出了在遗传算子的作用下，能生成全局最优解。假设则指出了在遗传算子的作用下，能生成全局最优解。假设则指出了在遗传算子的作用下，能生成全局最优解。假设则指出了在遗传算子的作用下，能生成全局最优解。返回返回现在学习的是第35页，共97页2 2、遗传算法的收敛性分析遗传算法的收敛性分析 遗传算法要实现全局收敛，首先要求任意初遗传算法要实现全局收敛，首先要求任意初始种群经有限步都能到达全局最优解，其次算法始种

27、群经有限步都能到达全局最优解，其次算法必须由保优操作来防止最优解的遗失。与算法收必须由保优操作来防止最优解的遗失。与算法收敛性有关的因素主要包括种群规模、选择操作、敛性有关的因素主要包括种群规模、选择操作、交叉概率和突变概率。交叉概率和突变概率。现在学习的是第36页，共97页种群规模对种群规模对收敛性的影响收敛性的影响 通常，种群太小则不能提供足够的采通常，种群太小则不能提供足够的采样点，以致算法性能很差；种群太大，尽样点，以致算法性能很差；种群太大，尽管可以增加优化信息，阻止早熟收敛的发管可以增加优化信息，阻止早熟收敛的发生，但无疑会增加计算量，造成收敛时间生，但无疑会增加计算量，造成收敛时

28、间太长，表现为收敛速度缓慢。太长，表现为收敛速度缓慢。现在学习的是第37页，共97页选择操作对选择操作对收敛性的影响收敛性的影响 选择操作使高适应度个体能够以更大的概率生选择操作使高适应度个体能够以更大的概率生选择操作使高适应度个体能够以更大的概率生选择操作使高适应度个体能够以更大的概率生存，从而提高了遗传算法的全局收敛性。如果在算存，从而提高了遗传算法的全局收敛性。如果在算存，从而提高了遗传算法的全局收敛性。如果在算存，从而提高了遗传算法的全局收敛性。如果在算法中采用最优保存策略，即将父代群体中最佳个体法中采用最优保存策略，即将父代群体中最佳个体法中采用最优保存策略，即将父代群体中最佳个体法

29、中采用最优保存策略，即将父代群体中最佳个体保留下来，不参加交叉和突变操作，使之直接进入保留下来，不参加交叉和突变操作，使之直接进入保留下来，不参加交叉和突变操作，使之直接进入保留下来，不参加交叉和突变操作，使之直接进入下一代，最终可使遗传算法以概率下一代，最终可使遗传算法以概率下一代，最终可使遗传算法以概率下一代，最终可使遗传算法以概率1 1收敛于全局最优收敛于全局最优收敛于全局最优收敛于全局最优解。解。解。解。现在学习的是第38页，共97页交叉概率对交叉概率对收敛性的影响收敛性的影响 交叉操作用于个体对，产生新的个体，实质交叉操作用于个体对，产生新的个体，实质上是在解空间中进行有效搜索。交叉

30、概率太大时，上是在解空间中进行有效搜索。交叉概率太大时，种群中个体更新很快，会造成高适应度值的个体种群中个体更新很快，会造成高适应度值的个体很快被破坏掉；概率太小时，交叉操作很少进行，很快被破坏掉；概率太小时，交叉操作很少进行，从而会使搜索停滞不前，造成算法的不收敛。从而会使搜索停滞不前，造成算法的不收敛。现在学习的是第39页，共97页突变概率对突变概率对收敛性的影响收敛性的影响 突变操作是对种群模式的扰动，有利于增突变操作是对种群模式的扰动，有利于增加种群的多样性加种群的多样性。但是，突变概率太小则很。但是，突变概率太小则很难产生新模式，突变概率太大则会使遗传算法难产生新模式，突变概率太大则

31、会使遗传算法成为随机搜索算法。成为随机搜索算法。现在学习的是第40页，共97页遗传算法的本质遗传算法的本质 遗传算法本质上是对染色体模式所进行的遗传算法本质上是对染色体模式所进行的一系列运算，即通过选择算子将当前种群中的一系列运算，即通过选择算子将当前种群中的优良模式遗传到下一代种群中，利用交叉算子优良模式遗传到下一代种群中，利用交叉算子进行模式重组，利用突变算子进行模式突变。进行模式重组，利用突变算子进行模式突变。通过这些遗传操作，模式逐步向较好的方向进通过这些遗传操作，模式逐步向较好的方向进化，最终得到问题的最优解。化，最终得到问题的最优解。返回返回现在学习的是第41页，共97页3 3、遗

32、传算法的改进遗传算法的改进 遗传欺骗问题：在遗传算法进化过程中，遗传欺骗问题：在遗传算法进化过程中，有时会产生一些超常的个体，这些个体因竞有时会产生一些超常的个体，这些个体因竞争力太突出而控制了选择运算过程，从而影争力太突出而控制了选择运算过程，从而影响算法的全局优化性能，导致算法获得某个响算法的全局优化性能，导致算法获得某个局部最优解。局部最优解。现在学习的是第42页，共97页遗传算法的改进途径遗传算法的改进途径（1）对编码方式的改进）对编码方式的改进（2）对遗传算子）对遗传算子 的改进的改进（3）对控制参数的改进）对控制参数的改进（4）对执行策略的改进）对执行策略的改进 现在学习的是第43

33、页，共97页对编码方式的改进对编码方式的改进 二二进进制制编编码码优优点点在在于于编编码码、解解码码操操作作简简单单，交交叉叉、突突变变等等操操作作便便于于实实现现，缺缺点点在在于于精精度度要要求求较较高高时时，个个体体编编码码串串较较长长，使使算算法法的的搜搜索索空空间间急急剧剧扩扩大大，遗遗传传算算法法的的性性能能降降低低。格格雷雷编编码码克克服服了了二二进进制制编编码码的的不不连连续续问问题题，浮点数编码改善了遗传算法的计算复杂性浮点数编码改善了遗传算法的计算复杂性。现在学习的是第44页，共97页对遗传算子对遗传算子 的改进的改进排序选择排序选择 均匀交叉均匀交叉 逆序突变逆序突变（1）

34、对群体中的所有个体按其适应度大小进行降序排序；（2）根据具体求解问题，设计一个概率分配表，将各个概率值按上述排列次序分配给各个个体；（3）以各个个体所分配到的概率值作为其遗传到下一代的概率，基于这些概率用赌盘选择法来产生下一代群体。现在学习的是第45页，共97页对遗传算子对遗传算子 的改进的改进排序选择排序选择 均匀交叉均匀交叉 逆序突变逆序突变（1）随机产生一个与个体编码长度相同的二进制屏蔽字P=W1W2Wn；（2）按下列规则从A、B两个父代个体中产生两个新个体X、Y：若Wi=0，则X的第i个基因继承A的对应基因，Y的第i个基因继承B的对应基因；若Wi=1，则A、B的第i个基因相互交换，从而

35、生成X、Y的第i个基因。现在学习的是第46页，共97页对遗传算子对遗传算子 的改进的改进排序选择排序选择 均匀交叉均匀交叉 逆序突变逆序突变突变前：3 4 8|7 9 6 5|2 1突变后：3 4 8|5 6 9 7|2 1现在学习的是第47页，共97页对控制参数的改进对控制参数的改进 Schaffer建议的最优参数范围是：建议的最优参数范围是：M=20-100，T=100-500，Pc=0.4-0.9，Pm=0.001-0.01。现在学习的是第48页，共97页对控制参数的改进对控制参数的改进 Srinvivas Srinvivas等人提出自适应遗传算法，即等人提出自适应遗传算法，即等人提出自

36、适应遗传算法，即等人提出自适应遗传算法，即P PC C和和和和P Pm能够能够随适应度自动改变，当种群的各个个体适应度趋于随适应度自动改变，当种群的各个个体适应度趋于一致或趋于局部最优时，使二者增加，而当种群适一致或趋于局部最优时，使二者增加，而当种群适应度比较分散时，使二者减小，同时对适应值高于应度比较分散时，使二者减小，同时对适应值高于群体平均适应值的个体，采用较低的群体平均适应值的个体，采用较低的PC C和和Pmm，使性，使性，使性，使性能优良的个体进入下一代，而低于平均适应值的个体，能优良的个体进入下一代，而低于平均适应值的个体，能优良的个体进入下一代，而低于平均适应值的个体，能优良的

37、个体进入下一代，而低于平均适应值的个体，采用较高的采用较高的采用较高的采用较高的P PC C和和和和P Pm，使性能较差的个体被淘汰，使性能较差的个体被淘汰，使性能较差的个体被淘汰，使性能较差的个体被淘汰 。现在学习的是第49页，共97页对执行策略的改进对执行策略的改进混合遗传算法混合遗传算法免疫遗传算法免疫遗传算法小生境遗传算法小生境遗传算法单亲遗传算法单亲遗传算法并行遗传算法并行遗传算法返回返回现在学习的是第50页，共97页三、遗传算法的应用1 1、遗传算法的应用领域遗传算法的应用领域 2 2、遗传算法的应用示例遗传算法的应用示例 3 3、我的研究、我的研究现在学习的是第51页，共97页1

38、 1、遗传算法的应用领域遗传算法的应用领域（1）组合优化）组合优化（2）函数优化）函数优化（3 3）智能控制）智能控制）智能控制）智能控制 （4）图像处理）图像处理（5）机器学习）机器学习（6 6）人工生命）人工生命）人工生命）人工生命 返回返回现在学习的是第52页，共97页遗传算法应用于组合优化遗传算法应用于组合优化组合优化是指在给定约束条件下组合优化是指在给定约束条件下组合优化是指在给定约束条件下组合优化是指在给定约束条件下,求解目标函数的最优值。求解目标函数的最优值。求解目标函数的最优值。求解目标函数的最优值。随着问题规模的增大，随着问题规模的增大，随着问题规模的增大，随着问题规模的增大

39、，组合优化问题的搜索空间也急剧扩大，有时在计算机上用枚举法很难甚组合优化问题的搜索空间也急剧扩大，有时在计算机上用枚举法很难甚组合优化问题的搜索空间也急剧扩大，有时在计算机上用枚举法很难甚组合优化问题的搜索空间也急剧扩大，有时在计算机上用枚举法很难甚至不可能求出其最优解。实践证明，遗传算法已经在求解至不可能求出其最优解。实践证明，遗传算法已经在求解至不可能求出其最优解。实践证明，遗传算法已经在求解至不可能求出其最优解。实践证明，遗传算法已经在求解旅行商问题、背旅行商问题、背旅行商问题、背旅行商问题、背包问题、装箱问题、布局优化、网络路由包问题、装箱问题、布局优化、网络路由包问题、装箱问题、布局

40、优化、网络路由包问题、装箱问题、布局优化、网络路由等具有等具有等具有等具有NPNP难度的组合优化问题上取得难度的组合优化问题上取得难度的组合优化问题上取得难度的组合优化问题上取得了成功的应用。了成功的应用。了成功的应用。了成功的应用。如旅行商问题，我们给定一组如旅行商问题，我们给定一组如旅行商问题，我们给定一组如旅行商问题，我们给定一组n n个城市和他们两两之间的直达距个城市和他们两两之间的直达距个城市和他们两两之间的直达距个城市和他们两两之间的直达距离离离离，通过遗传算法我们可以寻找一条，通过遗传算法我们可以寻找一条，通过遗传算法我们可以寻找一条，通过遗传算法我们可以寻找一条闭合的旅程，使得

41、每个城市刚好经过一次且闭合的旅程，使得每个城市刚好经过一次且闭合的旅程，使得每个城市刚好经过一次且闭合的旅程，使得每个城市刚好经过一次且总的履行距离最短总的履行距离最短总的履行距离最短总的履行距离最短。再如。再如。再如。再如车间作业调度问题车间作业调度问题车间作业调度问题车间作业调度问题，车间作业是指利用车间资源对车间作业是指利用车间资源对车间作业是指利用车间资源对车间作业是指利用车间资源对某一对象进行生产的过程某一对象进行生产的过程某一对象进行生产的过程某一对象进行生产的过程，作业调度实际上就是对车间作业进行有效排序，使某作业调度实际上就是对车间作业进行有效排序，使某作业调度实际上就是对车间

42、作业进行有效排序，使某作业调度实际上就是对车间作业进行有效排序，使某个目标函数最小个目标函数最小个目标函数最小个目标函数最小。比方一台机床有多个工具，加工多种工件，各工件有确。比方一台机床有多个工具，加工多种工件，各工件有确。比方一台机床有多个工具，加工多种工件，各工件有确。比方一台机床有多个工具，加工多种工件，各工件有确定的加工期限约束，需要制定一个月的加工计划保证完成所有的加工任定的加工期限约束，需要制定一个月的加工计划保证完成所有的加工任定的加工期限约束，需要制定一个月的加工计划保证完成所有的加工任定的加工期限约束，需要制定一个月的加工计划保证完成所有的加工任务。由于务。由于务。由于务。

43、由于JSPJSP具有离散、动态、多变量耦合等属性，应用遗传算法具有具有离散、动态、多变量耦合等属性，应用遗传算法具有具有离散、动态、多变量耦合等属性，应用遗传算法具有具有离散、动态、多变量耦合等属性，应用遗传算法具有一定难度，主要体现在遗传编码方法上。一定难度，主要体现在遗传编码方法上。一定难度，主要体现在遗传编码方法上。一定难度，主要体现在遗传编码方法上。返回返回现在学习的是第53页，共97页函数优化函数优化工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这

44、工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做法是根据某有效函数将多目标合成单一目标来进行优化。但大多数情法是根据某有效函数将多目标合成单一目标来进行优化。但大多数情法是根据某有效函数将多目标合成单一目标来进行优化。但大多数情法是根据某有效函数将多目标合成单一目标来进行优化。但大多数情况下，在优化之前这种效用函数是难以确切知道的。法国经济学况

45、下，在优化之前这种效用函数是难以确切知道的。法国经济学况下，在优化之前这种效用函数是难以确切知道的。法国经济学况下，在优化之前这种效用函数是难以确切知道的。法国经济学V.Pareto(1848-1923)V.Pareto(1848-1923)最早研究经济领域内的多目标优化问题，他的理最早研究经济领域内的多目标优化问题，他的理最早研究经济领域内的多目标优化问题，他的理最早研究经济领域内的多目标优化问题，他的理论称为论称为论称为论称为ParetoPareto最优化理论。最优化理论。最优化理论。最优化理论。J.HornJ.Horn和和和和N.NafpliotisN.Nafpliotis提出了关于用遗

46、传算提出了关于用遗传算提出了关于用遗传算提出了关于用遗传算法解决多目标问题的基本算法思想，遗传算法界称为法解决多目标问题的基本算法思想，遗传算法界称为法解决多目标问题的基本算法思想，遗传算法界称为法解决多目标问题的基本算法思想，遗传算法界称为NPGANPGA。返回返回现在学习的是第54页，共97页智能控制智能控制许多许多许多许多控制领域控制领域控制领域控制领域问题，当考虑到系统优化、自适应、自组织和自学习等方面的要求时，一般存在许多常问题，当考虑到系统优化、自适应、自组织和自学习等方面的要求时，一般存在许多常问题，当考虑到系统优化、自适应、自组织和自学习等方面的要求时，一般存在许多常问题，当考

47、虑到系统优化、自适应、自组织和自学习等方面的要求时，一般存在许多常规方法难以凑效的困难。例如，当有非连续评价函数、缺少初始信息、模型参数和结构或控制过规方法难以凑效的困难。例如，当有非连续评价函数、缺少初始信息、模型参数和结构或控制过规方法难以凑效的困难。例如，当有非连续评价函数、缺少初始信息、模型参数和结构或控制过规方法难以凑效的困难。例如，当有非连续评价函数、缺少初始信息、模型参数和结构或控制过程中的随机性、不确定性等复杂因素出现时，现有的控制理论和方法往往因需要求导信息、对初程中的随机性、不确定性等复杂因素出现时，现有的控制理论和方法往往因需要求导信息、对初程中的随机性、不确定性等复杂因

48、素出现时，现有的控制理论和方法往往因需要求导信息、对初程中的随机性、不确定性等复杂因素出现时，现有的控制理论和方法往往因需要求导信息、对初始条件的敏感性、对高品质的领域知识依赖性而难以得到很好的应用。始条件的敏感性、对高品质的领域知识依赖性而难以得到很好的应用。始条件的敏感性、对高品质的领域知识依赖性而难以得到很好的应用。始条件的敏感性、对高品质的领域知识依赖性而难以得到很好的应用。19711971年年年年K.S.FuK.S.Fu从研究自学从研究自学从研究自学从研究自学习控制系统入手，将智能控制概括为自动控制与人工智能的交集；习控制系统入手，将智能控制概括为自动控制与人工智能的交集；习控制系统

49、入手，将智能控制概括为自动控制与人工智能的交集；习控制系统入手，将智能控制概括为自动控制与人工智能的交集；19771977年，年，年，年，SaridisSaridis以智能机器人以智能机器人以智能机器人以智能机器人的控制为主要研究背景，从研究机器智能的角度提出了智能控制是自动控制、人工智能及运筹学的控制为主要研究背景，从研究机器智能的角度提出了智能控制是自动控制、人工智能及运筹学的控制为主要研究背景，从研究机器智能的角度提出了智能控制是自动控制、人工智能及运筹学的控制为主要研究背景，从研究机器智能的角度提出了智能控制是自动控制、人工智能及运筹学的交集，并提出了分级递阶智能控制的结构和方法；的交

50、集，并提出了分级递阶智能控制的结构和方法；的交集，并提出了分级递阶智能控制的结构和方法；的交集，并提出了分级递阶智能控制的结构和方法；AstromAstrom提出的专家智能则是将专家对被控对提出的专家智能则是将专家对被控对提出的专家智能则是将专家对被控对提出的专家智能则是将专家对被控对象和控制过程的知识、经验等融入控制器的设计与控制决策中。早期的智能控制研究受到传统控象和控制过程的知识、经验等融入控制器的设计与控制决策中。早期的智能控制研究受到传统控象和控制过程的知识、经验等融入控制器的设计与控制决策中。早期的智能控制研究受到传统控象和控制过程的知识、经验等融入控制器的设计与控制决策中。早期的