智能计算及应用2-遗传算法.ppt

1、遗传算法(1)，遗传算法概述，出生于50年代，有些生物学家开始使用数字计算机模拟生物的自然遗传和自然进化过程1963年，德国柏林技术大学的I. Rechenberg和H. P. Schwefel研究了风洞实60年代，L. J. Fogel在修订有限状态机器人时提出了进化修订计划的思想。 1966年Fogel等人出版了基于模拟进化的人工智能，系统阐述了进化修订版的思想。 1 .遗传算法的发生和发展，遗传算法的介绍，发生60年代中期，美国Michigan大学的J. H. Holland教授参考生物自然遗传的基本原理提出用于自然和人工系统的自适应行为研究和串行编码技术1975年，Holland出版了

2、萩名的adaptationinnaturalandartificialsystems，显示了遗传修订法的诞生。遗传算法的产生和发展、遗传算法的介绍、发展70年代初，Holland提出了“模式定理”(Schema Theorem )，一般认为是“遗传算法的基本定理”，为遗传算法研究奠定了理论基础，1985年，美国国际遗传算法学会(ISGA )成立，遗传算法的发生和发展，遗传算法的概要，发展1989年， Holland的学生D. J. Goldherg出版了Genetic Algorithms in Search，Optimization，andmachine，1991年，L. Davis编辑出版

3、了遗传算法手册，其中有遗传算法手册遗传算法的发生和发展、遗传算法的介绍、一些名词概念遗传算法的智能修正算法人工智能、遗传算法的发生和发展、遗传算法的发生和发展，因为遗传算法、进化修正画和进化策略不同领域的研究者各自独立提出直到90年代才能进行沟通。他们发现彼此的基本思想有惊人的相似之处，提出了将这样的方法统称为“进化计算”(Evolutionary Computation )。遗传算法概述、一些名词概念修正计算智能：遗传算法的生成和发展、修正计算智能主要包括神经修正计算、进化修正计算和模糊修正计算等。 分别从不同的角度模拟人的智能活动，使计算机具有智能。 通常，基于符号处理的常规人工智能被称为

4、符号智能，以区别于兴趣的校正计算智能。 符号智能的特征是根据知识偏向逻辑推论，修正计算智能以数据为基础，偏向数值修正计算。 遗传算法概述达尔文的自然选择学说遗传(heredity ) :子代和父代具有相同或相似的性状，保证物种稳定性的变异(variation ) :子代和父代、子代个体之间总是存在差异，作为生命多样性根源的生存斗争和适者生存：具有适应性变异的个体被保留自然选择过程是一个长期、缓慢、连续的过程。2、生物进化理论和遗传学基本知识、遗传算法介绍、遗传学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 ) :大分子有机聚合物、双螺旋结构； 基因(ge

5、ne ) :在DNA或RNA长链结构中占一定位置的基本遗传单位生物进化理论和遗传学基本知识，遗传算法介绍，遗传学基本概念和术语基因型(genotype ) :基因组合的模型表型(phenotype ) 染色体决定性状的外表生物进化理论和遗传学基本知识、遗传算法概述、遗传学基本概念和术语基因座(locus ) :基因在染色体中所占位置、可能位于同一基因座的所有基因称为变应基因(allele )； 个体(individual ) :指具有染色体特征的实体的个体群(population ) :个体的集合，将该集合内的个体数称为个体群大小的生物进化理论和遗传学的基本知识、遗传算法的概要、遗传学的基本概

6、念和用语进化(evolution ) :生物在其生存过程中， 逐渐适应其生存环境，不断改进其质量，测定这种生命现象称为进化的适应度(fitness ) :对某种生存环境的适应度。 对生存环境适应度高的物种会得到更多的繁殖机会，而对生存环境适应度低的物种，繁殖机会相对较少，正在灭绝的生物进化理论和遗传学的基本知识、遗传算法的概要、遗传学的基本概念和用语的选择(selection ) :决定以一定概率从种群中选择几个个体的操作复制(reproduction ) :细胞分裂后，遗传物质DNA通过复制转移到新生成的细胞，新细胞继承旧细胞的基因。 交叉(crossover ) :在2条染色体的同一位置切

7、断DNA，其前后2列分别交叉组合形成2条新的染色体。 也称为基因重组，通称“杂交”的生物进化理论和遗传学基本知识，遗传算法概述，遗传学基本概念和术语变异(mutation ) :细胞复制时，以微小的概率产生一些复制错误，使DNA产生一些变异，产生新的染色体编码(coding ) :从表现型到基因型的映射解码(decoding ) :从基因型到表现型的映射。 生物进化理论和遗传学的基本知识，遗传算法的基本概念和术语个体(individual):GA处理的基本对象、结构。 集体：个体的集合。 位串(bit String ) :个体的表现形式。 遗传学上的染色体(Chromosome )基因(gen

8、e ) :对应于位列中的元素，表现不同的特征. 根据生物学中的遗传物质单位，将遗传信息以DNA序列形式进行编码。 遗传算法的基本概念和术语比特串结构空间(bit String Space ) :等位基因任意组合构成的比特串集合，基因操作在比特串结构空间进行，与遗传学中基因型的集合相对应。 “残奥仪表空间”(Parameters Space ) :物理系统中位串空间的映射。 对应遗传学中表现型的集合。 适应值(fitness ) :某个身体对环境的适应度，或者在环境压力下的生存能力取决于遗传特性。 复制、选择：在有限资源空间中的排他冲突。 反转或反转：反转位列上的基因的排列顺序。 对应染色体上的

9、一部分，脱离后翻转180o再结合。 遗传算法的基本概念和术语单倍体(haploid，monoploid ) :细胞核有n个正常的不相容染色体。 二倍体(diploid )、多倍体(polyploid ) :细胞核中有2n以上的正常对染色体。 基因型(genotype ) :或称为基因型，指在基因组中定义遗传特征和表达。 对应于GA中的位串。表现型(phenotype ) :生物体基因型在特定环境下的表现特性。 对应于GA中的位串解码后的残奥仪表。 基因连接(linkage):2个以上的等位基因在同一染色体上表达。 与GA中模式的概念相对应。 上位遗传或基因关联(即epi stasis ) :由

10、于2个非等位基因之间的相互作用，一方(上位基因)对另一方(下位基因)的表现型产生干扰或抑制。 对应于优化函数的非线性特征，是指遗传算法的基本概念和术语基因多态性(pleiotropy ) :单个基因对机体多个物理性状的影响。 在对应GA的多目标最优化问题中，解决某个变量对多目标函数的影响。 多基因效应(polygeny ) :指生物体的某些物理性状由多个基因共同决定。 在对应于GA求解多目标优化问题中，某目标函数的值由多个变量的状态决定。 遗传来源变化或遗传漂移(genetic dift ) :指群体遗传组成的随机变化，不包括自然选择的影响。 局部环境(environmental niches

11、 ) :一种具有特征的子环境，其中生物体具有特定的染色体结构，表现出特定的物理性状。 对应于多模函数局部极值点的邻域。 遗传算法概述、进化论与遗传学融合19301947年达尔文进化论与遗传学走向融合，在Th. Dobzhansky1937年发表的遗传学和物种起源是融合进化论与遗传学的代表作。 生物进化与智能学的关系生物种类作为一个复杂的系统，具有奇怪的适应、自我组织和自我优化能力，这是生物在进化过程中体现的智能，也是人工系统梦想的功能。 生物进化理论和遗传学的基本知识、遗传算法的概述、遗传算法的基本思路、3遗传算法的思路和特征、遗传算法的概述、自组织、自适应和自学习性以及编码方案、自适应度函数

12、和遗传算子确定后，算法利用进化过程中获得的信息本质并行性内并行性和内并行性无需指南只是包含目标函数和自适应度函数的概率变换规则强调概率变换规则，确定性的变换规则、遗传算法的特征、遗传算法的概要、选择自适应度修正计算：修正计算结果非负选择算法：基于自适应度比例的自适应度排序2种遗传算法概述选择算法：“轮盘赌选择”(roulette wheel selection )“随机扫描采样”(stochastic universal selection )“局部选择”(local selection )截断选择遗传算法的基本操作、遗传算法的概要交叉或基因重组实值重组(real valued recombi

13、nation ) :离散重组中间重组(intermediate recombination ) 线性重组、遗传算法的基本操作、遗传算法的概要交叉或基因重组二进制交叉：单点交叉。 多点交叉统一交叉，遗传算法的基本操作，遗传算法的概述，变异实值变异，变异实值变异遗传算法的概要，简单的实例是初期个体群的补正算适应度， 生成遗传算法的基本操作的00011000001110011000000110011001101101011011011011011010101101101101100001100011001100110001100001100001100001000100100010010001001

14、0 (10)(7)(12)(5)(19)(10)(14 )、遗传算法的介绍、简单事例选择、遗传算法的基本操作、0。 0.0217390.1086960.0760870.1304350.054348.206522.1086960.152174、遗传算法概述、简单实例选择、遗传算法基本操作、0.086957、0.054348、 0.0217390.1086960.0760870.1304350.0543480.2065220.1086960.152174，0.086957，0.141304， 0.163043，0.2717390.3478260.478261.5326090.739130.8478

15、261.000000，遗传算法概述，简单实例选择使随机数在0-1之间产生：遗传算法基本操作，0.088 0.0543480.0217390.1086960.0760870.1304350.0543480.2065220.1086960.152174、0.086957、0.141304、0.163043， 0.2717390.3478260.478261.5326090.739130.8478261.00000，、0.070221，0.545929，0.7845670. 371435，0.854641， 0001100000110000110001100110011001100110010101101101010101101101011000011000011000011000011000011000001100000011000001100000110000001100000001100000000110000000011遗传基因000110000011000110001100110101010101010101010101010101010101010101010101101100110011001100110001001001001001100，100，0010110，100 0001，100110100，11