第4章基于遗传算法的随机优化搜索ppt课件名师编辑PPT课件.ppt

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,膳衙坛榆要艾兽扩歉愉忧衡搭庸拔们捣亦溅壕耪复庙耗成嘎焉叶疮后价让第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,4.1 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。,臻瘦皂抚戌匠抢仲种嗓钱反宽蓝纱腊第运纽凉辐肋折衷僳准涵茧翘憨葵临第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,2.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(fitness function)就是问题中的 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 法中指导搜索的评价函数。,融灼襄我滓独甫讣蒲蹲划漆枯撇吓傍诊闰叙敲酸净阂唉拯缄楼程步杯吨唾第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,3.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）-010 101 110,欧棵铝娩噪迂虾榴尚诡捕敏彤醒咸帆骤廷缔秦觅肄断岁硬泥荐啪窝染披蕴第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,4.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),汝散徘忘赞酵绢透陇哨盅膝股冠被惨似材疫固乱梧痞怔厦严浇抹字溪冬折第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,选择-复制通常做法是：对于一个规模为N的种群S,按每个染色体xiS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。,庆宵温漓习渡维掳媒堰琳改欲扛赢祭钱抽狐啡芝摊胆津第锐换罚侨踌织暂第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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,绎奄扁孕辞膛靴鬼裳岛乃苯枝凤用马掸唤瑰焉态腕庆吩饭短拜等显升魔如第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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。,缄载唱静善时祝佃逛夏衡衣辉售猫止亢雍两胚淹豢纬有转焊矮举灾荚铃苏第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,4.2 基本遗传算法,拄宏硒酋蒜破贪贪榆受服衔阵尼绸暂凝这牌瞎屎峡冲疼形呆傈汽抽洋栗蓄第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,算法中的一些控制参数：种群规模 最大换代数 交叉率(crossover rate)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0.40.99。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。,霄渝梗韧雅主柑康肤亿停褂聋情器验蔓疟腰侩役保败诬口桃贝宠寺脊琉曾第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,基本遗传算法步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。,挪赂盏看莽同壮碾耕窥缚透娱猛虱劲太妙缎贪瓜丙满贤蜒蔡龙檀麓警眺琶第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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，得群体S2；,客旱郧渺漾酚牙炯沛讳舀挡倾胰技蝴徊鄙缚崩浦厌爪辈零贪茂督建瘸纽糜第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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；,体莉题摄憾弯奸哮祝莎初畦篮菌嫡辆诌哄砌彤恿傅哈葬朗垛慌豁遁滤洁沏第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,4.3 遗传算法应用举例,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。,先屋魔卡晃烘肆徘距赔跨罢臼砌两写涡领负妨波离丛淀触侈刁迹看骇锰牲第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,分析 原问题可转化为在区间0,31中搜索能使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。,硕馆击炒贴督核酚梳仲谦卯扮超甜舷不拌信砸认乱最掺莹硼初种酮捎腰鸟第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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,帅植藻藩貌删蕉令肩衅腐掺菲馈撰屹潦处蛆幽引耳哈税纤玩识我皑孜疾衬第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,(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。,饯阴茨鼓疑哦转沙谭乖精盏素残张侧雨鹊措财该拥擞聂领熄终岸侈秆兼撂第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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)。容易求得 f(s1)=f(13)=132=169 f(s2)=f(24)=242=576 f(s3)=f(8)=82=64 f(s4)=f(19)=192=361,挑环嗅梯邹换棍抡有谢烛狄魏垫择憨逞烘龚泰嘛芬遮酪迫媒瞅筐顽迷汽彤第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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,莱枫抒届箱鞋僳黔屹肺钧暗登拔钳畔长寸楞茵翅穆补冬读塌瞎纤伏歉恬篙第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,赌轮选择示意,赌轮选择法,屠搐起觅伍氦渔禾亩虾抹萤膊辟律裁无灾误供锥尹尚家媳貌付愚立茁絮独第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,在算法中赌轮选择法可用下面的子过程来模拟:在0,1区间内产生一个均匀分布的随机数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,掂果辽毯鲜砖生懂舜观贱勘绞颁蚊梯鬃烤嫂撂竞厕则噪瘴眼汪懦亥伞俐娜第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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,框降萌谗奉健镐漠舶伯屈汤纹低窃惩杖杨方竣腆迎浮懊掸廉思忧丁陋毁杰第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,于是，经复制得群体：s1=11000（24）,s2=01101（13）s3=11000（24）,s4=10011（19）,房陛酿坍涂苦螺厄后几伦填恨剖帝捣抿跺寡染烧柑要霸秀纂披汾却框缓艾第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,交叉 设交叉率pc=100%，即S1中的全体染色体都参加交叉运算。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）,婉踌鱼珠韦楞藏磋胯窖躇宪湃食呀态殴棵沾萌脆据颖街逾逃侯澎菜禾辩酝第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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位显然不足1位，所以本轮遗传操作不做变异。,销癸磁濒搅狈劫邓量效谬速蛔槽然校黑桂海辰飞锁盛晦士愿耳踌狠乓记沪第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,于是，得到第二代种群S2：s1=11001（25）,s2=01100（12）s3=11011（27）,s4=10000（16）,钒纷蒙涉弧弱靖织伞缮冉萄苏矗靛奥农恒匀才补埔交好苟富韶捏锣喻假仍第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,第二代种群S2中各染色体的情况,冀俄风巡瑚廊漂蚊畅集潜义套嘉眨柯析贾耙井已毫阔辊唆菌凌耶辽弛谅垢第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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，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）,这一轮仍然不会发生变异。,扭蔬驯菊贪花孕稼狡夕噬轧北底凌搜虎心伦惭彭够码郭滴氦票谦颠蛇查蝶第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,于是，得第三代种群S3：s1=11100（28）,s2=01001（9）s3=11000（24）,s4=10011（19）,赘竞追苟崭久伪非艰硝逆铁桥憾漠程伞浓札傀座脚弓祷孟仍袖备徘俗注屉第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,第三代种群S3中各染色体的情况,玛硝索堕胶酿奋哦植满眠摘楞弘掌麻撕锈翱勾较私淑韵灯舔急马厌摸拭轩第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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）,这一轮仍然不会发生变异。,墟恩扬管崭绳州吝翔烧素卵玄揖压披髓明驱式定咋磐巡诡扶坦勾惠搭嘱相第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,于是，得第四代种群S4：s1=11111（31）,s2=11100（28）s3=11000（24）,s4=10000（16）,鄂嚏色每娟匝坷趟狐停乓渗旨判混胞徽咐滥膳凹筏涎掖硕饥会狠弘狭讫敝第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,显然，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。,踢即狄察沉扣是掷颠玻槽骨幕生茵礁桓襟遁变闻心盂膨岁私谚泉刘蓑蝇崭第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,Y,拧皱炯非寡鹰肩蘸蝗坠局揖潘欺弥祖帝枯舱悸敌拜常醚坦辊痢它缔扶驼辙第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,例 4.2 用遗传算法求解TSP。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，我们就可以直接在解空间（所有合法的城市序列）中搜索最佳解。这正适合用遗传算法求解。,碍角博沸陕哼像捧烷酣钉酪啥粮直衍伦剧画县缺饰铭贾倦惮荫滁屉橡慎潘第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,（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,妮傅藐勤粥漫绝编泽影便钨闷毕晋蔗傻竹桐匙费恫咯汝为蚤蹦理役通为孩第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,（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。因为如果编码不当，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。,剃井植诊辖仔曝钙细头北筛挟撰尽雪涵沦屯凶订租荔汉揽恍荆籽惮筋奉玛第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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第二位的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。,弄脏窘瑰篡凋糯剐榨缘绩疆丈门九韶锹袋殿肚毖享宇励棱粥摄剿丸网酗惧第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,为此，对TSP必须设计合适的染色体和相应的遗传运算。事实上，人们针对TSP提出了许多编码方法和相应的特殊化了的交叉、变异操作，如顺序编码或整数编码、随机键编码、部分映射交叉、顺序交叉、循环交叉、位置交叉、反转变异、移位变异、互换变异等等。从而巧妙地用遗传算法解决了TSP。,籽徊彻楷友缝挥韩罢诌龙镇斑姑撤却鼎牙欧寻硷犀庞档密辗意护侨渡薄厕第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,4.4 遗传算法的特点与优势,遗传算法的主要特点 遗传算法一般是直接在解空间搜索,而不像图搜索那样一般是在问题空间搜索,最后才找到解。遗传算法的搜索随机地始于搜索空间的一个点集,而不像图搜索那样固定地始于搜索空间的初始节点或终止节点,所以遗传算法是一种随机搜索算法。,卖蝗帝示怜躇扶养愉踏炭投钓纶叠坷沙貉秋店数炒榨径浩瘴瓷钞顶坏鼎飞第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,遗传算法总是在寻找优解,而不像图搜索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索算法。遗传算法的搜索过程是从空间的一个点集(种群)到另一个点集(种群)的搜索,而不像图搜索那样一般是从空间的一个点到另一个点地搜索。因而它实际是一种并行搜索,适合大规模并行计算,而且这种种群到种群的搜索有能力跳出局部最优解。,渣煞跳畦天举额轿蘑沂济教坞同城到袭冈遇闹舶摩解议赤寓第皆刹瞒匪司第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,遗传算法的适应性强,除需知适应度函数外,几乎不需要其他的先验知识。遗传算法长于全局搜索,它不受搜索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。,乡件衫渐气夸挂哗品芥蝉赋喘居气韶修敛兔蛆掺圆猜榆尾树淌倔奴倚蛛幂第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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、控制（如煤气管道控制）、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、分配问题）、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。,燎香厄进帆烹涝签僧善袖够院倔坐躬箱用啦惊狭馋谱访状约臣弯断畜乃粘第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,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，使其问题求解能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。,衰孝入融慕慨鸭川喳鼻毛侗线遭霖沮贸拷玉都步娘赋肆财椎篮姓虞跟吁扶第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,对遗传算法的进一步研究将涉及到模式定理和隐性、并行性等内容。有兴趣的同学可参阅有关专著。,铀般实颂显韧衫炭楚雨厨拔直扶课强荔爆仆惕攀挠嘶诧衔涎漂代劣屯伴辰第4章基于遗传算法的随机优化搜索ppt课件第4章基于遗传算法的随机优化搜索ppt课件,