文档介绍：遗传学习的基本思想
遗传学习算法的理论基础
遗传学习算法的改良
遗传学习算法的应用
遗传学习原理与算法
1
1. 问题的提出
美国的J. Holland教授于1975年提出
在遗传学的基础上利用计算机来模拟生物的进化过程,从而实现复杂问题的优化求解。
模拟生物染色体的运作(复制、交叉、变异),是一种随机化搜索算法
2
步骤
3
需要解决的问题
编码机制;
选择机制;
控制参数选择;
二进制字符串的群体构成;
适应度函数的计算
遗传算子(交叉、变异)的定义。
4
2. 遗传学习算法的操作算子
编码机制(Encoding mechanism)
适应度函数(Fitness function)
选择机制(Selection mechanism)
交叉算子(Crossover)
变异算子(Mutation)
5
(1) 编码机制
二进制编码
每一个位( 0或1 )-基因
字符串-染色体
多值编码方法
实数编码
6
(2) 适应度函数
优化问题的目标函数
“适应度值”的计算直接通过将目标函数经一定的线性变换映射到的[0,1]区间内的一个值。
7
(3) 选择机制
基本思想取自于自然界进化论的“适者生存”。
适应度值越高的个体,生存的数量也越高。满足“优胜劣汰”自然法则。
也可称为复制机制
比例选择法(Proportionate selection scheme)
转轮选择法(Roulette Wheel Selection Scheme) :随机方法
8
(4) 交叉算子
模拟有性繁殖现象
随机地从父辈集合中选取两个个体作为双亲。设L表示一个体的字符串(染色体)长度,随机地产生(0~L)之间的一个数d,并把此点位置称为交叉点。交叉运算就是将双亲的基因链在交叉点断裂,且将在交叉点之后的基因根据交叉率的条件决定是否进行相互交换形成下一代。
所谓交叉率pc是根据优化问题预先确定的一个0~1之间的值。~。
9
(5) 变异算子
模拟基因突变现象
所谓变异指的是随机地选取染色体中的某个基因(也即字符串中的某一位)进行取反运算,即将原有的“1”变为“0”和反之。
变异率pm取比较小的数值,~。
10