武汉大学选修课系统工程概论cha优化技术的前沿

优化决策技术的前沿遗传算法神经网络模糊决策混沌协同学耗散结构……遗传算法产生与发展JohnHolland与其同事和学生在20世纪60年代末到70年代初期的开创性工作。1975年他的专著《AdaptationinNaturalandArtificialSystem》的出版标志着GAs的诞生。。“GeneticAlgorithms”一词首先出现在J.D.Bagleg的博士论文中，他研究了遗传算法在博弈论中的参数搜索，这是遗传算法的最早的应用。关键人物J.H.HollandJ.D.Bagley（遗传算法的第一篇应用论文，自适应遗传算法）K.A.DeJong（数值计算，参数设置，测试函数，在线指标，离线指标）D.J.Goldberg（搜索、优化和机器学习中的遗传算法，1989，系统总结主要研究成果）L.Davis（遗传算法手册，1991，大量应用实例）J.R.Koza（1992，应用于计算机程序的优化设计与自动生成，提出遗传编程的概念）遗传算法遗传算法的发展高潮始于20世纪80年代末，并一直延续至今。人们对遗传算法的兴趣日益增长有两个背景：其一是工程领域，特别是人工智能与控制领域，不断地涌现超大规模的、复杂的非线性系统，在这些系统的研究中存在着大量经典优化方法所不能有效求解的优化问题。其二是遗传算法能独立的或与其他方法相结合的形式用于智能机器的学习系统的设计中，而不依赖于问题的种类六峰值驼背函数Six-humpcamelbackfunction该函数有6个局部极小点，其中全局最小点(-0.0898,0.7126)T(0.0898,-0.7126)T全局最小值：-1.031628遗传算法LINGO遗传算法遗传算法（GeneticAlgorithms，简称GAs）的生物学背景：Darwin的进化论和Mendel的遗传学说

适者生存，劣质淘汰即优胜劣汰遗传算法的基本思想GAs是将问题的求解表示成“染色体”，从而构成一群染色体。将它们置于问题的“环境”中，根据适者生存的原则，从中选择出适应环境的染色体进行复制，即再生（Reproduction，也称Selection），通过交叉（Crossover）、变异（Mutation）两种基因操作产生出新的一代更适应环境的染色体群。这样一代代的不断进化，最后收敛到一个最适合环境的个体上，求得问题的最优解。自然进化与GAs的对应关系基因串（染色体）问题的可行解基因型表现型适应度解码编码目标函数解码不同环境解的评价值GAs的流程图实际问题参数集确定表示问题解答的染色体（串）生成初始染色体串群计算每个个体的适应度是否收敛选择高适应值的串进行复制交叉变异输出最优解是否遗传算法的基本概念个体和个体空间适应度函数（F(t)）遗传算子:选择、交叉和变异算子控制参数:种群规模M、交叉概率Pc、变异概率Pm、进化代数T基本遗传算法的构成要素（1）染色体编码方法采用固定长度的二进制符号串来表示群体的个体，其等位基因是{0,1}组成。如X＝100111001000101101该个体的染色体长度是n＝18基本遗传算法的构成要素（2）个体适应度评价基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代的机会的多少。必须预先确定好由目标函数值到个体适应度之间的转换规则。个体适应度评价基本遗传算法的构成要素（3）遗传算子基本遗传算法使用三种遗传算子：选择算子（比例选择算子）交叉运算（单点交叉算子）变异算子（基本位变异或均匀变异算子）比例选择算子也称赌盘选择，个体被选中并遗传到下一代群体中的概率与该个体的适应度大小成正比。金银铜铁10％20％30％40％单点迈交叉幸算子（1）对摘群体勤中的享个体艺进行番两两找随机赤配对（2）对旅每一匹对相荒互配打对的献个体居，随其机设头置某将一基量因座乓之后刃的位裤置为需交叉串点（3）对雾每一梅对相悼互配茅对的胳个体章，依吧设定菌的交互叉概者率与株其交钩叉点期相互腹交换窃两个经个体屠的部寄分染狡色体盟，从损而产社生两光个新旺的个摔体。A:弟1牙0胸1夸1解0违1戒1帝1衰0费0单点秧交叉A’贡:益1肯0班1会1隙0誓1不1繁1盆1违1B:茄0椅0穿0钱1父1提1到0嘉0兽1逝1错B’爷:径0证0带0姓1教1葱1冒0胖0墓0户0基本梨位变厦异算状子（1）对表个体誉的每稿一个帅基因绘座，母依变教异概存率指屋定其凤为变可异点眠；（2）对肾每一草个指牌定的宗变异风点，品对其而等位营基因绵值作取反愚运算或用其他问等位乱基因来代蓝替，板从而堪产生看一个离新的扣个体沃。A:象1颗0因1惭1羊0垒1坟1听1弄0因0烛A’弓:梦1仍0本1吹1客1舍1检1脑1哲0粱0基本位变异变异点基本捷遗传役算法鲁的构县成要依素（4）运壳行参夹数群体娇大小M，即攀种群寇中所爹含个殃体的丹数量钓；一引般取20～10吉0终止愚进化枕代数T：交叉造概率Pc：一第般取0.晴4～0.帖99变异宅概率Pm：一暮般取0.杜00呢01～0.符1遗传平算法境的数幅学基临础模式峰定理：在裹遗传两算子昼选择鸣、交圆叉和汉变异疾的作仇用下尝，具咳有低畜阶、镇短定客义距胸以及到平均戒适应怜度高覆于群陆体平队均适米应度拉的模赏式在作子代更中将全得以精指数蹈级增渗长。积木搜块假旅设：低句阶、滨距短猎、高肿平均牺适应棵度的南模式描（积栗木块僚）在熔遗传该算子奖作用叠下，印相互缘瑞结合奸，能氏生成剧高阶补、长挺距、厌高平漏均适沟应度概的模爽式，夫可最倚终生洪成全抱局最停优解虏。隐含孟并行抓性：遗展传算然法有善效处键理的腐模式袋个数物为收敛观性分栽析与镰证明：基似本遗抱传算帮法收抱敛于酒最优遍解的臭概率江小于1；使晶用最师佳保阵留策圣略的快遗传涝算法育能收山敛于旧最优牛解的烛概率桨为1遗传自算法乱的特才点（1）良竖好的塔并行窗性（2）很御强的阳通用爆性（3）良统好的怒全局顶优化斩性能衬和稳渴健性（4）良庙好的胶可操尸作性它与简梢单性函数符优化旗的实妄例（1）个炊体编温码，渠把编明码为宅一种袍符号炸串。本例皆中x1，x2可分惜别用3位无姓符号呢二进扑制整杂数表财示，番把它辞们连发接在冷一起枕组成似的6位无橡符号颈二进拜制整数泽就形喜成个滩体的基因奇型，表会示一住个可执行解铸。函数府优化违的实仓例基因俯型X＝10陕11王10表现绕型X＝[5窜,6客]T个体映的表齐现型堤和基江因型溪之间墙可通健过编码化和解汪码相互牛转换西。函数允优化掏的实是例（2）初耳始种伏群的链产生群体逆规模遇的大乳小取4每个阿个体苦随机里产生（3）适部应度旨计算直接朴以目怀标函担数值蒸作为锣个体针的适蔬应度函数四优化屿的实汁例（4）选逢择运鸣算先计期算出复群体反中个扁体的适应告度之织和其次购计算瘦每个上个体塑的相对蛇适应沫度的大零小最后比产生恋一个0－1之间拒的随机得数，依峰据该随机失数出赔现在未上述突哪一看个概纱率区蒙间来确亏定各迫个个迈体被哪选中狱的次浪数。函数吗优化齐的实窃例（5）交合叉计邀算先对鞋群体遣进行押随机湖配对其次斗随机肝设置本交叉音位置最后恩在相千互交抓换配案对染衬色体将之间闭的部扑分基鬼因函数孝优化欣的实饿例（6）变役异操然作首先趣确定私各个番个体蚂的基抖因变爷异位沟置；然后迹依据旗某一既概率子将变骡异点占的原项有基蝇因值搭取反木。函数液优化哈的实随例个体编号初始群体P(0)x1x2fi(x1，x2)fi/∑fi101110135340.24210101153340.24301110034250.17411100171500.35∑fi＝14突3fma于x＝50fav黑er=3个5.献75函数锅优化迈的实锻例选择次数选择结果配对情况交叉点位置交叉结果变异点变异结果10111011－21－2：201100140111011111001111101511111101010113－43－4：4101001211100121110011110116111010轮盘象赌规网则00.紫240.材480.五65函数