文档介绍：关于遗传算法及其应用 (2)
第一张，共九十一张，创建于2022年，星期一
*
第9章 遗传算法及其应用
遗传算法的产生与发展
遗传算法的基本算法
遗传算法的改进算法
基于遗传基本算法
遗传算法的五个基本要素：
参数编码
初始群体的设定
适应度函数的设计
遗传操作设计
控制参数设定
第十三张，共九十一张，创建于2022年，星期一
*
遗传算法的基本算法
编码
群体设定
适应度函数
选择
交叉
变异
遗传算法的一般步骤
第十四张，共九十一张，创建于2022年，星期一
*
编码
位串编码
一维染色体编码方法：将问题空间的参数编码为一维排列的染色体的方法。
二进制编码：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
第十五张，共九十一张，创建于2022年，星期一
*
编码
(1) 二进制编码（续）
优点：
类似于生物染色体的组成，算法易于用生物遗传理论解释，遗传操作如交叉、变异等易实现；算法处理的模式数最多。
缺点：
① 相邻整数的二进制编码可能具有较大的Hamming距离，降低了遗传算子的搜索效率。
15：01111 16： 10000
② 要先给出求解的精度。
③ 求解高维优化问题的二进制编码串长，算法的搜索效率低。
第十六张，共九十一张，创建于2022年，星期一
*
编码
位串编码
（2） Gray 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
第十七张，共九十一张，创建于2022年，星期一
*
编码
2. 实数编码
采用实数表达法不必进行数制转换，可直接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。
第十八张，共九十一张，创建于2022年，星期一
*
编码
3. 有序串编码
有序问题：目标函数的值不仅与表示解的字符串的值有关，而且与其所在字符串的位置有关。
4．结构式编码
Goldberg等提出MessyGA(mGA)的遗传算法编码方法。
第十九张，共九十一张，创建于2022年，星期一
*
初始种群的产生
群体设定
（1）根据问题固有知识，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）随机产生一定数目的个体，从中挑选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。
第二十张，共九十一张，创建于2022年，星期一
*
2. 种群规模的确定
群体设定
模式定理表明：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，计算复杂。
第二十一张，共九十一张，创建于2022年，星期一
*
将目标函数映射成适应度函数的方法
适应度函数
若目标函数为最大化问题，则
若目标函数为最小化问题，则
将目标函数转换为求最大值的形式,且保证函数值非负！
若目标函数为最大化问题，则
若目标函数为最小化问题，则
第二十二张，共九十一张，创建于2022年，星期一
*
将目标函数映射成适应度函数的方法(续）
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！
若目标函数为最大化问题，则
若目标函数为最小化问题，则
：目标函数界限的保守估计值。
第二十三张，共九十一张，创建于2022年，星期一
*
适应度函数的尺度变换
在遗传算法中，将所有妨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骗问题（deceptive problem）。
适应度函数
过早收敛：缩小这些个体的适应度，以降低这些超级个体的竞争力。
停滞现象：改变原始适应值的比例关系，以提高个体之间的竞争力