文档介绍：智能控制进化算法遗传算法
*
第1页，共50页，编辑于2022年，星期六
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
色体
适应度值
1000011011

0110111011

1111111011

0111111111

*
第18页，共50页，编辑于2022年，星期六
(5) 终止准则判断
方法有两类：
*
第19页，共50页，编辑于2022年，星期六
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
*
第20页，共50页，编辑于2022年，星期六
理论基础
有多种理论分析遗传算法的收敛性，例如
Holland提出的模板理论(Schema theory)
Goldberg提出的建筑块假设(Building block hypothesis)。
它们通过计算有用相似性，检查包含在群体中的各种模板的增长速率来表明遗传学习的能力。
这里主要介绍模板定理
*
第21页，共50页，编辑于2022年，星期六
1. 模板的基本概念
模板表示那些在某些基因位置上具有相同性质、而在另一些位置上是不影响子集特征的染色体集合。
例如：模板**000表示最后三个位置的值必须为“0”的一组染色体构成的子集。
在二进制编码前提下，“*”可以是“0”、也可以是“1”。
*
第22页，共50页，编辑于2022年，星期六
模板的阶o(S)
模板的阶o(S)
模板的定义长度δ(S)
模板中含有0或1的个数。如S=**111，则模板S的阶o(S)=3。
模板中有确定值数码之间的最大距离。如：S=**111，则模板S的长度δ(S)=2。S=1*00*，则模板S的长度δ(S)=3。
两个定义
*
第23页，共50页，编辑于2022年，星期六
2. 模板定理
假设一个L长的染色体。如果用二进制编码，则有2L个模板。
对于有N个个体构成的群体总的模板数NS满足：。
NS的实际大小取决于群体中染色体的分散性。
模板理论可以说明在进化计算中特定字符串在下一代中繁殖的情况。
*
第24页，共50页，编辑于2022年，星期六
（1）选择算子
假设模板S在t时刻在群体中有n(S,t)个特定字符串（即同一字符串在群体中的占有数目）。
由比例选择法可知

其中：
f(S): 模板S内所有子集的目标函数平均值；
f(P): 群体内的平均目标函数值.
当f(S)> f(P)时，该模板的数目会增加
*
第25页，共50页，编辑于2022年，星期六
（2）交叉算子
交叉算子运算后，模板S中保留特定字符串的概率

选择、交叉算子运算后，在下一代中模板S的特定字符串数目满足：

具有较好的目标函数和较短定义长度的模板，其字符串的增长率最快。
*
第26页，共50页，编辑于2022年，星期六
（3）变异算子
在变异运算后字符串仍然属于S模板的概率为

因为，变异率pm通常是非常小
*
第27页，共50页，编辑于2022年，星期六
定理8-1: 模板定理
这一定理表明了随着遗传学习的进行，优秀品质的字符串个体在群体中占有的数目会越来越多，最终得到平均适应度高、定义长度短和阶次小的模板。这种模板又可称为建筑块。
*
第28页，共50页，编辑于2022年，星期六
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
*
第29页，共50页，编辑于2022年，星期六
遗传学习算法的改良
目前已经提出的改进方案有：
编码机制——灰度编码和动态编码；
选择机制——优选策略、基于次序的选择、稳定状态选择及随机余数法的比例选择；
交叉机制——两点或多点交叉、均匀交叉；
控制参数——动态自适应参数控制技术；
算法策略——分布式遗传学习算法和并行遗传学习－算法。
*
第30页，共50页，编辑于2022年，星期六
1. 编码机制的改进
灰度编码技术保证连续变量编码后的相邻Hamming距离为1。
0 0000 8 0011
1