遗传算法综述及简单应用实例

1、遗传算法的综述和简单的应用实例和Matlab程序， 2 4.1遗传算法概述4.1.1遗传算法的发生和发展4.1.2生物进化理论和遗传学基本知识4.1.3遗传算法的构想和特征4.1.4遗传算法的基本操作4.1.5遗传算法的应用4.2基本遗传算法4.2.2 . 3适应度函数及其比例转换4.2.4遗传操作选择4 .2.5遗传操作交叉/遗传操作变异4.2.7算法的设计与实现4.2.8模式定理，3，4.1遗传算法的介绍，出生1963年，德国柏林技术大学的I.Rechenberg和H.P.Schwefel在进行风洞实验时提出了进化战略初步思想产生的60年代，L.J.Fogel在设计有限状态机器人时提出了进化计划的思想。 1966年Fogel等人出版了基于模拟进化的人工智能，系统地阐述了进化计划的思想。4.1.1遗传算法的发生和发展，4，4.1遗传算法的介绍，发生60年代中期，美国michone大学的J.H.Holland教授参考了生物自然遗传的基本原理，提出了应用于自然和人工系统的自适应行为研究和串行编码技术的1967年他的学生J.D.Bagley在博士论文中首次发表“遗传算法(GeneticAlgorithms )”一词，1975年，Holland出版了着名的“adaptationinnaturalandartificialsystems”，并、4.1.1遗传算法的发生和发展、5、4.1遗传算法的介绍、发展70年代初，Holland提出了“模式定理”(SchemaTheorem )，将其视为“遗传算法的基本定理”，为遗传算法研究奠定了理论基础19 在美国召开了第一次遗传算法国际会议，成立了国际遗传算法学会(ISGA，internationalsocietyofgeneticalalgorithms )，4.1.1遗传算法的发生和发展，6，4.1遗传算法Holland的学生D.J.Goldherg出版了GeneticAlgorithmsinSearch、Optimization、andMachineLearning，对遗传算法及其应用进行了全面且系统的论述，1991年其中包括遗传算法的工程技术和在社会生活中的大量应用实例。 4.1.1遗传算法的发生和发展，7，4.1遗传算法的介绍，达尔文的自然选择说遗传(heredity ) :子和父具有相同或类似的性状，保证物种稳定性的变异(variation ) :子代和亲代、子代的不同个体之间总是有差异自然选择过程是一个长期而缓慢的连续过程。 4.1.2生物进化理论和遗传学的基本知识，8，4.1遗传算法介绍，遗传学(Genetics )的基本概念和术语染色体(chromosome ) :遗传物质的载体脱氧核糖核酸(DNA ) :高分子有机聚合物，双螺旋结构； 基因(gene ) :在DNA或RNA长链结构中占一定位置的基本基因单元，4.1.2生物进化理论和遗传学基本知识，9，4.1遗传算法介绍，遗传学基本概念和术语基因型(genotype ) :基因组合的模型表现型：由染色体决定性状的外部表现，4.1.2生物进化理论和遗传学的基本知识，10，4.1遗传算法的介绍，遗传学的基本概念和术语基因座(locus ) :基因在染色体上所占的位置， 所有可能位于同一基因座的基因被称为等位基因(allele )的个体(individual ) :染色体指特征实体的种群(population ) :是个体的集合，其集合内的个体数被称为种群的大小，4.1.2生物进化理论和遗传学的基本知识，1 4.1遗传算法介绍，遗传学的基本概念和术语进化(evolution ) :生物在生存过程中，逐渐适应其生存环境，其质量不断改进，这种生命现象被称为进化的适应度(fitness ) :测定对某种生存环境的适应度。对生存环境适应度高的物种获得更多的繁殖机会，对生存环境适应度低的物种，繁殖机会较少，逐渐灭绝的4.1.2生物进化理论和遗传学基本知识，12，4.1遗传算法的介绍，遗传学基本概念和术语的选择(selection ) :当决定以一定概率从种群中选择几个个体的操作细胞分裂时，遗传物质DNA通过复制转移到新生成的细胞上，新细胞继承了旧细胞的基因，交叉：在两个染色体的同一位置DNA被切断，其前后两列分别交叉组也称为基因重组，通称“杂交”，4.1.2生物进化理论和遗传学基本知识，13，4.1遗传算法介绍，遗传学基本概念和术语变异(mutation ) :由于在细胞复制时可能以很小的概率发生一些复制错误，DNA 产生了新的染色体，这些新的染色体表现新性状的编码：表型到基因型的映射解码：基因型到表型的映射。 4.1.2生物进化理论和遗传学的基本知识，14，4.1遗传算法的介绍，进化论和遗传学的融合19301947年，达尔文进化论和遗传学的融合，Th.Dobzhansky1937年发表的Handbookofgeneticalgorithms是融合进化论和遗传学的代表作。 生物进化与智能学的关系生物种作为一个复杂的系统，具有奇怪的适应、自组织和自优化能力。 这是生物在进化过程中表现的智能，也是人工系统梦想的功能。4.1.2生物进化理论和遗传学基本知识、15，4.1遗传算法介绍、遗传算法基本构想、4.1.3遗传算法构想和特征、16，4.1遗传算法介绍、自组织、适应和自学性编码方案、适应度函数和遗传算子本质上并行性内并行性和内并行性不需要指南不仅目的函数和适应度函数的概率转换规则强调了概率转换规则，而且不只是确定的转换规则，而是4.1.3遗传算法的构想和特征、17，4.1遗传算法的介绍，简单的实例是初始种群计算适应度， 4.1.4生成遗传算法的基本操作的000110000001110011000001100011001010101010110110110110110110110110110011、(8) (2) (14 )，18，4.1遗传算法概述简单实例的选择，4.1.4遗传算法的基本操作，0.086957，0.054348，0.0217390.1086960.0760870.1304350.0543480.206522 4.1遗传算法的介绍，简单的实例的选择，4.1.4遗传算法的基本操作，0.0869570. 054348，0.0217390.1086960.0760870.1304350.0543480.2065220.10869 0.1630430. 2717390.3478260.4782610.53535352525252525352535252535253525352535353535353535353535 253285352535253525352535253525353535353535353535353535353535353535353535353535353535.0217390.1086960 2065220.1086960.152174、0.086957、0.141304、0.163043、 0.2717390.3478260.4782610.5353535352525252 3535353，0.070221，0.545929，0.784567，0.446469，0.507893，0.291198，0.716340，0.270901，0.371435，0.854641， 21 00011000001100110011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011011101101101110 4.1遗传算法的概要、简单的实例交叉、 4.4遗传算法的基本操作000110000110011000000111011011011011011011010101010110110110110110110110110110110110110011011001101100111001110011100111001110011100111001110011100111001110011110011 100000，010110，111，100，0010110，1011011，110000，10011001，110000001，11010101，0001010，010，011，0114.1.4遗传算法的基本操作，24，4.1遗传算法的介绍，选择1 .适应度计算：基于比例适应度函数排序的适应度计算25，4.1遗传算法介绍选择2 .选择算法：轮盘赌选择(roulettewheelselection )随机扫描采样(stochasticuniversalselection )局部选择(localselection ) 截断选择锦标赛4.1.4遗传算法的基本操作，26，4.1遗传算法的介绍交叉或转基因实值重组(realvaluedrecomb :离散重组(discreterecombination )中间重组(intermediaterecombination )线性重组(linearrecombination )扩展线性重组(extendedlinearrecombinat) ion 4.1遗传算法介绍交叉或转基因二进制交叉：单点交叉，多点交叉，均匀交叉。均匀交叉缩小代理交叉(crossove) rwithreducedsurrogate，4.1.4遗传算法的基本操作，28，4.1遗传算法的介绍，变异实值变异二进制变异，4.1.4遗传算法的基本操作，29，4.1遗传函数优化是遗传算法的典型应用领域组合优化实践证明了遗传算法对组合优化中的NP完全问题非常有效，基于遗传算法的模糊控制器优化设计、基于遗传算法的参数识别自动控制利用遗传算法的人工神经网络的结构优化设计和权重学习等，4.1.5遗传算法的应用，30，4.1遗传算法的介绍，机器人智能控制遗传算法已经是移动机器人路径计划，关节机器人运动轨迹计划存在于细胞机器人结构优化和行动协调等的组合图像处理和模式识别目前被应用于图像恢复、图像边缘特征提取、几何形状识别等，4.1.5遗传算法的应用、31，4.1遗传算法的介绍， 基于人工生命遗传算法的进化模型是研究人工生命现象的重要理论基础，遗传算法在其进化模型、学习模型、行动模型等方面显示了初步的应用能力，遗传程序设计Koza发展了遗传程序设计的概念，用LISP语言表示的编码方法4.1.5遗传算法的应用、 4.2.1遗传算法概述4.1.1遗传算法的发生和发展4.1.2生物进化理论和遗传学基本知识4.1.3遗传算法的构想和特征4.1.4遗传算法的基本操作4.1.5遗传算法的应用4.2基本遗传算法4.2.2 2.3适应度函数及其比例转换4.2.4遗传操作选择4 .2.5遗传操作交叉/遗传操作变异4.2.7算法的设计和实现4.2.8模式定理，33，4.2基本遗传算法， 问题的提案一元函数求最大值：4.2.1简单函数优化的实例，34，4.2基本遗传算法，问题的提案微分法求f(x )的最大值：无限多数4.2.1简单函数优化的例子，35，4.2基本遗传算法，问题的提案I为奇数时xi x19是区间-1，2 内的最大值点：此时，函数的最大值f(x19 )比f(1.85)=3.85稍大。 4.2.1简单的函数优化的例子，36，4.2基本遗传算法，代码表现型： x基因型：二进制代码(字符串长度依赖于求解精度)字符串长度与精度的关系：从求解精度到6位小数，区间长度为2-(-1)=3，即区间为3/0.000001=。 编码的二进制字符串的长度必须是22位。4.2.1简单函数优化的例子，37，4.2基本遗传算法，初始种群发生方式：随机发生的结果：长度为22的二进制串发生的数量：种群大小(规模)，如30， 501110100110011000100110011