文档介绍：第四章遗传算法
遗传算法的基本操作
遗传算法的研究现状
遗传算法的实现
遗传算法的研究现状
遗传算法的研究新动向:
1、基于遗传算法的机器学****把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学****算法。
2、遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合,
3、并行处理的遗传算法的研究十分活跃。

遗传算法的研究现状
遗传算法的研究新动向:
4、遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象,其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象,而遗传算法在这方面将会发挥一定的作用,
5、遗传算法和进化规划(Evolution rogramming,EP)以及进化策略(Evolution Strategy,ES)等进化计算理论日益结合。EP和ES几乎是和遗传算法同时独立发展起来的,同遗传算法一样,它们也是模拟自然界生物进化机制的智能计算方法,即同遗传算法具有相同之处,也有各自的特点。目前,这三者之间的比较研究和彼此结合的探讨正形成热点。

遗传算法的研究现状
遗传算法的发展情况:
1、。特点是群体搜索策略和群体中个体之间的信息交换。
2、(Adjacency based crossover),这个算子是特别针对用序号表示基因的个体的交叉,并将其应用到了TSP问题中,通过实验对其进行了验证。
3、(Stochastic Iterated ic Hill-climbing,SIGH)采用了一种复杂的概率选举机制,此机制中由m个“投票者”来共同决定新个体的值(m表示群体的大小)。实验结果表明,SIGH与单点交叉、均匀交叉的神经遗传算法相比,所测试的六个函数中有四个表现出更好的性能,而且总体来讲,SIGH比现存的许多算法在求解速度方面更有竞争力。

遗传算法的研究现状
遗传算法的发展情况:
4、(simplex method)结合起来,形成了一种叫单一操作的多亲交叉算子(simplex crossover),该算子在根据两个母体以及一个额外的个体产生新个体,事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。同时,文献还将三者交叉算子与点交叉、均匀交叉做了比较,结果表明,三者交叉算子比其余两个有更好的性能。

遗传算法的研究现状
遗传算法的发展情况:
1、国内也有不少的专家和学者对遗传算法的交叉算子进行改进。2002年,戴晓明等应用多种群遗传并行进化的思想,对不同种群基于不同的遗传策略,如变异概率,不同的变异算子等来搜索变量空间,并利用种群间迁移算子来进行遗传信息交流,以解决经典遗传算法的收敛到局部最优值问题
2、2004年,赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象,提出了一种用基因块编码的并行遗传算法(Building-block Coded Parallel GA,BCPGA)。该方法以粗粒度并行遗传算法为基本框架,在染色体群体中识别出可能的基因块,然后用基因块作为新的基因单位对染色体重新编码,产生长度较短的染色体,在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
3、2005年,江雷等针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。

遗传算法的基本原理
遗传算法是一种基于自然选择和基因遗传学原理的优化搜索方法。
全局优化问题:在搜索空间至少找到一个使目标函数最大化的点。
主要考虑两类搜索空间:
1)伪布尔优化问题:S在离散空间B,所有长度为L且取值为0或1的二进制位串的集合
2)连续参数优化问题:取S为伪n维实数空间R中有界集合,相应的具有连续变量的优化问题

遗传算法的基本原理
“优胜劣汰,适者生存”生物进化原理引入待优化参数形式的编码串群体中,按照一定的适配值函数及一系列遗传操作对个体进行筛选,从而使适配值高的个体被保留下来,组成新的群体,新群体包含上一代的大量信息,并且引入了新的优于上一代的个体。
遗传算法的研究目的:
1)抽象和严谨地解释自然界的适应过程;
2)为了将自然生物系统的重要机理运用到工程系统、计算机系统或商业系统等人工系统的设计中。

遗传算法的特点
1)是对参数的编码进行操作,而非对参数本身。
2)遗传算法