遗传算法课程心得体会

遗传算法课程心得体会篇一：遗传算法实验报告江南大学物联网工程学院实验报告 课程名称 人工智能 实验名称遗传算法 实验日期 XX-4-10 班级 计科1305 姓名 游思睿 学号 1030413529 实验报告要求1实验名称 2实验要求 3实验环境 4实验步骤 5实验体会 一、实验目的： 基本了解遗传算法的原理和具体程序实现。 二、实验内容： 利用遗传算法计算二元函数的最大值 (1) 个体编码 遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种 符号串。本题中，用无符号二进制整数来表示。 因 x1, x2 为 0 7 之间的整数，所以分别用 3 位无符号二进制整数来表示，将它 们连接在一起所组成的 6位无符号二进制数就形成了个体的基因型，表示一个可 行解。 例如，基因型 X101110 所对应的表现型是：x 5，6 。 个体的表现型 x 和基因型 X 之间可通过编码和解码程序相互转换。 (2) 初始群体的产生 遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始 群体数据。 本例中，群体规模的大小取为 4，即群体由 4 个个体组成，每个个体可通过随机方法产生。 如：011101，101011，011100，111001 (3) 适应度汁算 遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传 机会的大小。 本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接 利用目标函数值作为个体的适应度。 (4) 选择运算 选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代 群体中。 本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中的数量。其具体操作过程是： ? 先计算出群体中所有个体的适应度的总和 ?fi ( i=,M ); ? 其次计算出每个个体的相对适应度的大小 fi / ?fi ，它即为每个个体被遗传 到下一代群体中的概率， ? 每个概率值组成一个区域，全部概率值之和为 1； ? 最后再产生一个 0 到 1 之间的随机数，依据该随机数出现在上述哪一个概率区 域内来确定各个个体被选中的次数。 (1) 个体编码 遗传算法的运算对象是表示个体的符号串，所以必须把变量 x1, x2 编码为一种 符号串。本题中，用无符号二进制整数来表示。 因 x1, x2 为 0 7 之间的整数，所以分别用 3 位无符号二进制整数来表示，将它 们连接在一起所组成的 6 位无符号二进制数就形成了个体的基因型，表示一个可 行解。 例如，基因型 X101110 所对应的表现型是：x 5，6 。 个体的表现型 x 和基因型 X 之间可通过编码和解码程序相互转换。 (2) 初始群体的产生 遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始 群体数据。 本例中，群体规模的大小取为 4，即群体由 4 个个体组成，每个个体可通过随机 方法产生。 如：011101，101011，011100，111001 (3) 适应度汁算 遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传 机会的大小。 本例中，目标函数总取非负值，并且是以求函数最大值为优化目标，故可直接 利用目标函数值作为个体的适应度。 (4) 选择运算 选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代 群体中。 本例中，我们采用与适应度成正比的概率来确定各个个体复制到下一代群体中 篇二：遗传算法总结 遗传算法总结 遗传算法是借鉴生物的自然选择和遗传进化机制而开发出的一种全局自适应概率搜索算法。 一、遗传算法流程图 图 1 遗传算法流程图 二、遗传算法的原理和方法 1） 染色体编码 把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法就称为编码。 De Jong 曾提出了两条操作性较强的实用编码原则：编码原则一：应使用能易于产生与所求问题相关的且具有低阶、短定义长度模式的编码方案；编码原则二：应使用能使问题得到自然表示或描述的具有最小编码字符集的编码方案。编码方法主要有以下几种：二进制编码方法、格雷码编码方法、浮点数编码方法、符号编码方法、参数级联编码方法、多参数交叉编码方法。 2） 适应值计算 由解空间中某一点的目标函数值 f(x)到搜索空间中对应个体的适应度函数值 Fit(f(x)的转换方法基本上有一下三种： a 直接以待解的目标函数值 f(x)转化为适应度函数值 Fit(f(x)，令 ?f(x) 目标函数为最大化函数 Fit(fx()= ? ?f(x)目标函数为最小化函数 ?Cmax?f(x)f(x)?Cmax b 对于最小值的问题，做下列转化 Fit(f(x)?，其中 Cmax 是 0 其他? f(x)的最大输入值。 c 若目标函数为最小值问题，Fit(f(x)? 1 , c?0, c?f(x)?0 1?c?f(x) 1 , c?0, c?f(x)?0 1?c?f(x) 若目标函数为最大值问题，Fit(f(x)?3） 选择、交叉、变异 遗传算法使用选择算子来对群体中的个体进行优胜劣汰操作：根据每个个体的适应度值大小选择。适应度较高的个体被遗传到下一代群体中的概率较大；适应度较低的个体的被遗传到下一代群体中的概率较小。其中选择的方法有：轮盘赌选择、随机竞争选择、最佳保留选择、无回放随机选择、确定式选择等。 遗传算法中的所谓交叉运算，是指对两个相互配对的染色体按某种方式相互交换其部分基因，从而形成两个新的个体。交叉操作主要有单点交叉、两点交叉与多点交叉、均匀交叉和算数交叉四种。 遗传算法中的变异运算，是指将个体染色体编码串中的某些基因座上的基因值用该基因座的其他基因来替换，从而形成一个新的个体。主要有基本位变异、均匀变异、边界变异等几种变异操作方法。 4） 控制参数选择交叉概率 pcpm 三、算例 min f(x1,x2)?(x1?3)2?(x2?2)2 2 ?g1(x1,x2)?x12?x2?5? ?h1(x1,x2)?x1?2x2?4?0?x,x?10，x?N 121? (1) 1）三种不同的遗传方法 方法一：原模型中 x1、x2 均为决策变量，操作如下。a. 采用混合整数编码，对 x1 进行十进制编码，x2 进行二进制编码； b. 适应度函数值采用 Fit(f(x1,x2)? 1 计算，其中 c?f(x1,x2) c?max0,g1(x1,x2)?5?max0,|h1(x1,x2)?4|，?=?=10000； c. 采用赌轮盘选择、单点交叉和基本位变异； d. pc=，pm=，遗传代数为 200，种群中个体数 100； e. 终止条件为连续十次最优个体保持不变或遗传代数到达200。 方法二：已知等式约束 h1(x1,x2)，可得 x2?(4?x1)/2，则原问题可化为 min f(x1)?(x1?3)2?( 4?x1 )?2)22 （2） 4?x12?2 g(x)?x?()?5111? 2?st?0?x1?10，x1?N?4?x1?0?10 2? xmin f(x1)?(x1?3)2?(1)2 2 即等式约束简化后的模型为 4?x12?2 g(x)?x?()?5?1 st?112?0?x1?4，x1?N 其中 ab 的操作如下，而 ce 的操作同方法一。 a. 对 x1 进行十进制编码； b. 适应度函数值采用 Fit(f(x1,x2)? （3） 1 计算，其中 c?f(x1,x2) c?max0,g1(x1,x2)?5，?=10000 方法三：在方法二的基础上，改变 x1 的编码方法，对 x1 进行二进制编码。由于 0?x1?4，且为自然数，则二进制编码至少为 3 位，但 3 位的二进制可以表示 07 的整数，所以存在冗余编码。则通过惩罚来排除冗余编码，即适应度函数值采用 Fit(f(x1,x2)? 1 计算。 c?f(x1,x2) 其中 c?max0,g1(x1,x2)?5?max0,x1(i)?4，?=10000。x1(i)表示个体解码后的 x1。 2）三种方法的计算结果 方法一可得到三个不同的解： 解 1：x1?2,x2?1, Fit(f(x1,x2)?, f(x)?，适应度趋势图如下： 图 2 方法一解 1 的适应度趋势图解 2：x1?0,x2?2, Fit(f(x1,x2)?, f(x)?，适应度趋势图如下： 篇三：计算智能学习心得体会 计算智能学习心得体会 本学期我们水利水电专业开了“计算智能概论”这门课，有我们学院的金菊良教授给我们授课，据说这门课相当难理解，我们课下做了充分的准备，借了计算智能和人工智能相关方面的书籍，并提前了解了一点相关知识，我感觉看着有点先进，给我们以往学的课程有很大区别，是一种全新的概念和理论，里面的遗传算法、模糊集理论、神经网络更是闻所未闻，由于课前读了一些书籍，我以为课堂上应该能容易理解一点，想不到课堂上听着还是相当玄奥，遗传算法还好一点，因为高中学过生物遗传，遗传算法还能理解一点。像模糊集理论神经网络便不知所云了。虽然金老师讲课生动形象，幽默风趣，而且举了好多实际的例子，但有一些理论有点偏难。 计算智能(Computational Interlligence，简称 CI)并不是一个新的术语，早在 1988 年加拿大的一种刊物便以CI 为名。1992 年，美国学者在论文计算智能中讨论了神经网络、模式识别与智能之间的关系，并将留能分为生物智能、人工智能和计算智能三个层次。1993 年，Bob Marks 写了一篇关于计算留能和人工留能区别的文章，并在文中给出了对 CI 的理解。1994 年的国际计算智能会议(WCCL)的命名就部分地源于 Bob 的文章，这次 IEEE 会议特国际神经网络学会(NNC)发起的神经网络(ICNN)、模糊系统(FuZZ)和进化计算(ICEc)三个年度性会议合为一体，并出版了名为计算智能的论文集。此后，CI 这个术语就开始被频繁地使用，同时也出现了许 多关于 CI 的解释。1992 年，James C .Bezdek 提出，CI 是依靠生产者提供的数字、数据材料进行加工处理，而不是依赖于知识；而 AIglJ 必须用知识进行处理1994 年，James 在F1orida，Orlando，IEEE WCCI 会议上再次阐述他的观点，即智能有三个层次：(1)生物智能(Biological Intelligence，简称 BI)，是由人脑的物理化学过程反映出来的，人脑是有机物，它是智能的基础。(2)人工智能(Artificial Intelligence，简称 AI)，是非生物的，人造的，常用符号来表示，AI 的来源是人类知识的精华。 （3）计算智能(Computer Intellienceence，简称 CI)，是由数学方法和计算机实现的，CI 的来源是数值计算的传感器。 虽然有好多计算智能理论还不太清楚，但是我对新知识还是相当渴望的，因为我本身比较爱学习，且喜欢读书。我感觉学到了许多知识：计算智能是一门经验科学，它研究自然的或人工的智能行为形成之原理以“推理即计算”为基本假设，开发某种理论、说明某项智能可以算法化，从而可以用机器模拟和实现；寻求和接受自然智能之启迪，但不企图完全仿制人类智能，其中心工程目标是研究设计和建立智能计算系统的方法。 由于我们只有 16 课时，所以我们学的面并不广，金老师主要教了一些计算智能方面的经典理论，我们所学的计算智能所涉及的领域主要包括以下三方面：遗传算法、人工神经网络方法和模糊集理论。 遗传算法最早由美国 Michigan 大学 John H. Holland教授提出， 按照生物进化过程中的自然选择（selection） 、父代杂交（crossover）和子代变异（mutation）的自然进化（natural evolution）方式，编制的计算机程序，能够解决许多复杂的优化问题，这类新的优化方法称之为遗传算法（genetic algorithm，GA）7。GA 模拟生物进化过程中的主要特征有：（1）生物个体的染色体（chromosomes）的结构特征，即基因码序列（series of genetic code）决定了该个体对其生存环境的适应能力。（2）自然选择在生物群体（population）进化过程中起着主导作用，它决定了群体中那些适应能力（adaptability）强的个体能够生存下来并传宗接代，体现了“优胜劣汰”的进化规律。 （3）个体繁殖（杂交）是通过父代个体间交换基因材料来实现的，生成的子代个体的染色体特征可能与父代的相似，也可能与父代的有显著差异，从而有可能改变个体适应环境的能力。（4）变异使子代个体的染色体有别于其父代个体的染色体，从而也改变了子代个体对其环境的适应能力。（5）生物的进化过程，从微观上看是生物个体的染色体特征不断改善的过程，从宏观上看则是生物个体的适应能力不断提高的过程。 作为利用自然选择和群体遗传机制进行高维非线性空间寻优的一类通用方法，遗传算法（GA）不一定能寻得最优（optimal）点，但是它可以找到更优（superior）点，这种思路与人类行为中成功的标志是相似的。例如不必要求某个围棋高手是最优的，要战胜对手只需他（她）比其对手更强即可。因此，GA 可能会暂时停留在某些非最优点上，直到变异发生使它迁移到另一更优点上。遗传算法随编码 方式、遗传操作算子的不同而表现为不同形式，因此难以象传统的共轭梯度法那样从形式上给以明确定义，它的识别标志在于它是否具有模拟生物的自然选择和群体遗传机理这一内在特征。目前国内外普遍应用的实施方案是标准遗传算法（Simple Genetic Algorithm，SGA） 。 BP 神经网络BP 神经网络是用反向传播学习算法（back-propagation algorithm，BP 算法）训练的一种多层前馈型非线性映射网络，网络中各神经元接受前一级的输入，并输出到下一级，网络中没有反馈联接。BP 神经网络通常可以分为不同的层（级） ，第 j 层的输入仅与第 j1 层的输出联接。由于输入层节点和输出层节点可与外界相连，直接接受环境的影响，所以称为可见层，而其它中间层则称为隐层（hidden layer） 。决定一个 BP 神经网络性质的要素有三个：网络结构、神经元作用函数和学习算法，对这三个要素的研究构成了丰富多彩的内容，尤其是后者被研究得最多。BP 算法是目前应用最为广泛且较成功的一种算法，它解决了多层前馈网络的学习问题，从而使该网络在各方面获得了广泛应用。它利用梯度搜索技术（gradient search technique）使代价函数（cost function）最小化。BP 算法把一组样本的输入输出问题归纳为一非线性优化问题，它使用了最优化方法中最常用的负梯度下降算法。用迭代运算求解网络权重和阈值对应于网络的学习记忆过程，加入隐层节点使得优化问题的可调参数