经典算法之遗传算法课件

遗传算法

遗传算法1遗传算法简介

产生早在50年代，一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过程；1963年，德国柏林技术大学的I.Rechenberg和H.P.Schwefel，做风洞实验时，产生了进化策略的初步思想；60年代，L.J.Fogel在设计有限态自动机时提出进化规划的思想。1966年Fogel等出版了《基于模拟进化的人工智能》，系统阐述了进化规划的思想。

1.遗传算法的产生与发展

遗传算法简介产生1.遗传算法的产生与发展2遗传算法简介

产生60年代中期，美国Michigan大学的J.H.Holland教授提出借鉴生物自然遗传的基本原理用于自然和人工系统的自适应行为研究和串编码技术；1967年，他的学生J.D.Bagley在博士论文中首次提出“遗传算法(Genetic

Algorithms)”一词；1975年，Holland出版了著名的“AdaptationinNaturalandArtificialSystems”，标志遗传算法的诞生。遗传算法的产生与发展

遗传算法简介产生遗传算法的产生与发展3遗传算法简介

发展70年代初，Holland提出了“模式定理”（SchemaTheorem），一般认为是“遗传算法的基本定理”，从而奠定了遗传算法研究的理论基础；1985年，在美国召开了第一届遗传算法国际会议，并且成立了国际遗传算法学会(ISGA，InternationalSocietyofGeneticAlgorithms)；遗传算法的产生与发展

遗传算法简介发展遗传算法的产生与发展4遗传算法简介

发展1989年，Holland的学生D.J.Goldherg出版了“GeneticAlgorithmsinSearch,Optimization,andMachineLearning”，对遗传算法及其应用作了全面而系统的论述；1991年，L.Davis编辑出版了《遗传算法手册》，其中包括了遗传算法在工程技术和社会生活中大量的应用实例。遗传算法的产生与发展

遗传算法简介发展遗传算法的产生与发展5遗传算法简介

几个名词概念进化计算：遗传算法的产生与发展

由于遗传算法、进化规划和进化策略是不同领域的研究人员分别独立提出的，在相当长的时期里相互之间没有正式沟通。直到90年代，才有所交流。他们发现彼此的基本思想具有惊人的相似之处，于是提出将这类方法统称为“进化计算”(EvolutionaryComputation)。遗传算法简介几个名词概念遗传算法的产生与发展由6遗传算法简介

达尔文的自然选择说遗传（heredity）：子代和父代具有相同或相似的性状，保证物种的稳定性；变异（variation）：子代与父代，子代不同个体之间总有差异，是生命多样性的根源；生存斗争和适者生存：具有适应性变异的个体被保留，不具适应性变异的个体被淘汰。自然选择过程是长期的、缓慢的、连续的过程。2.生物进化理论和遗传学的基本知识

遗传算法简介达尔文的自然选择说2.生物进化理论和遗传学的7遗传算法简介

遗传学基本概念与术语染色体（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；遗传因子（gene）：DNA或RNA长链结构中占有一定位置的基本遗传单位；生物进化理论和遗传学的基本知识

遗传算法简介遗传学基本概念与术语生物进化理论和遗传学的基8遗传算法简介

遗传学基本概念与术语基因型（genotype）：遗传因子组合的模型；表现型（phenotype）：由染色体决定性状的外部表现；生物进化理论和遗传学的基本知识

1111111

1110111遗传算法简介遗传学基本概念与术语生物进化理论和遗传学的基9遗传算法简介

遗传学基本概念与术语基因座（locus）：遗传基因在染色体中所占据的位置，同一基因座可能有的全部基因称为等位基因（allele）；个体（individual）：指带有染色体特征的实体；种群（population）：个体的集合，该集合内个体数称为种群的大小；生物进化理论和遗传学的基本知识

遗传算法简介遗传学基本概念与术语生物进化理论和遗传学的基10遗传算法简介

遗传学基本概念与术语进化（evolution）：生物在其延续生存的过程中，逐渐适应其生存环境，使得其品质不断得到改良，这种生命现象称为进化；适应度（fitness）：度量某个物种对于生存环境的适应程度。对生存环境适应程度较高的物种将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖机会就会相对较少，甚至逐渐灭绝;生物进化理论和遗传学的基本知识

遗传算法简介遗传学基本概念与术语生物进化理论和遗传学的基11遗传算法简介

遗传学基本概念与术语选择（selection）：指决定以一定的概率从种群中选择若干个体的操作；复制（reproduction）：细胞在分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，新的细胞就继承了旧细胞的基因;交叉（crossover）：在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新的染色体。又称基因重组，俗称“杂交”;生物进化理论和遗传学的基本知识

遗传算法简介遗传学基本概念与术语生物进化理论和遗传学的基12遗传算法简介

遗传学基本概念与术语变异（mutation）：在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生出新的染色体，这些新的染色体表现出新的性状;编码（coding）：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

遗传算法简介遗传学基本概念与术语生物进化理论和遗传学的基13遗传算法基本概念与术语个体（individual）：GA所处理的基本对象、结构。群体（population）：个体的集合。位串（bitString）：个体的表示形式。对应于遗传学中的染色体（Chromosome）基因（gene）：位串中的元素，表示不同的特征。对应于生物学中的遗传物质单位，以

DNA序列形式把遗传信息译成编码。遗传算法基本概念与术语14遗传算法基本概念与术语位串结构空间（bitStringSpace）：等位基因任意组合构成的位串集合，基因操作在位串结构空间进行，对应于遗传学中的基因型的集合。参数空间（ParametersSpace）：是位串空间在物理系统中的映射。对应于遗传学中的表现型的集合。适应值（fitness）：某一个体对于环境的适应程度，或者在环境压力下的生存能力，取决于遗传特性。复制、选择（reproductionorselection）：在有限资源空间上的排他性竞争。逆转或倒位（inversion）：反转位串上的一段基因的排列顺序。对应于染色体上的一部分，在脱离之后反转180o再连接起来。遗传算法基本概念与术语15遗传算法简介

进化论与遗传学的融合

1930～1947年，达尔文进化论与遗传学走向融合，Th.Dobzhansky1937年发表的《遗传学与物种起源》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物种作为复杂系统，具有奇妙的自适应、自组织和自优化能力，这是一种生物在进化过程中体现的智能，也是人工系统梦寐以求的功能。生物进化理论和遗传学的基本知识

遗传算法简介进化论与遗传学的融合生物进化理论和遗传学的基16遗传算法简介

遗传算法的基本思路3遗传算法的思路与特点

遗传算法简介遗传算法的基本思路3遗传算法的思路与特点17遗传算法简介

自组织、自适应和自学习性在编码方案、适应度函数及遗传算子确定后，算法将利用进化过程中获得的信息自行组织搜索。本质并行性内在并行性与内含并行性不需求导只需目标函数和适应度函数概率转换规则强调概率转换规则，而不是确定的转换规则遗传算法的特点

遗传算法简介自组织、自适应和自学习性遗传算法的特点18遗传算法简介

选择

适应度计算：计算结果非负

选择算法：两类基于适应度比例的基于适应度排序的4遗传算法的基本操作

遗传算法简介选择4遗传算法的基本操作19遗传算法简介

选择

选择算法：轮盘赌选择（roulettewheelselection）随机遍历抽样（stochasticuniversalselection）局部选择（localselection）截断选择（truncationselection）锦标赛选择（tournamentselection）遗传算法的基本操作

遗传算法简介选择遗传算法的基本操作20遗传算法简介

交叉或基因重组

实值重组（realvaluedrecombination）：离散重组（discreterecombination）中间重组（intermediaterecombination）线性重组（linearrecombination）扩展线性重组（extendedlinearrecombination）遗传算法的基本操作

遗传算法简介交叉或基因重组遗传算法的基本操作21遗传算法简介

交叉或基因重组

二进制交叉（binaryvaluedcrossover）：单点交叉（single-pointcrossover）多点交叉（multiple-pointcrossover）均匀交叉（uniformcrossover）洗牌交叉（shufflecrossover）缩小代理交叉（crossoverwithreducedsurrogate）遗传算法的基本操作

遗传算法简介交叉或基因重组遗传算法的基本操作22遗传算法简介

变异

实值变异

二进制变异遗传算法的基本操作

遗传算法简介变异遗传算法的基本操作23遗传算法简介

简单实例产生初始种群计算适应度遗传算法的基本操作

0001100000010111100100000001011001110100101010101011100101101001011011110000000110011101000001010011（8）（5）（2）（10）（7）（12）（5）（19）（10）（14）遗传算法简介简单实例遗传算法的基本操作000110024遗传算法简介

简单实例选择遗传算法的基本操作

个体染色体适应度选择概率累积概率10001100000820101111001530000000101241001110100105101010101076111001011012710010110115811000000011991001110100101000010100111488＋5＋2＋10＋7＋12＋5＋19＋10＋140.08695758＋5＋2＋10＋7＋12＋5＋19＋10＋140.0543480.0217390.1086960.0760870.1304350.0543480.2065220.1086960.152174遗传算法简介简单实例遗传算法的基本操作个体染色体适应25遗传算法简介

简单实例选择遗传算法的基本操作

个体染色体适应度选择概率累积概率1000110000082010111100153000000010124100111010010510101010107611100101101271001011011581100000001199100111010010100001010011140.0869570.0543480.0217390.1086960.0760870.1304350.0543480.2065220.1086960.1521740.0869570.1413040.1630430.2717390.3478260.4782610.5326090.7391300.8478261.000000遗传算法简介简单实例遗传算法的基本操作个体染色体适应26遗传算法简介

简单实例选择在0～1之间产生一个随机数：遗传算法的基本操作

个体染色体适应度选择概率累积概率1000110000082010111100153000000010124100111010010510101010107611100101101271001011011581100000001199100111010010100001010011140.0869570.0543480.0217390.1086960.0760870.1304350.0543480.2065220.1086960.1521740.0869570.1413040.1630430.2717390.3478260.4782610.5326090.7391300.8478261.0000000.0702210.5459290.7845670.4469300.5078930.2911980.7163400.2709010.3714350.854641淘汰！淘汰！遗传算法简介简单实例遗传算法的基本操作个体染色体适应270001100000111001011011000000011001110100101010101011100101101001011011110000000110011101000001010011遗传算法简介

简单实例交叉遗传算法的基本操作

00011000001110010110110000000110011101001010101010111001011010010110111001110100110000000100010100110001111010000001011011110000101101011011110000100111010000011001110100110000000110101010001010010011000110000011100101101128遗传算法简介

简单实例变异遗传算法的基本操作

0001100000111001011011000000011001110100101010101011100101101001011011110000000110011101000001010011000111101000000101101111000010110101101111000010010101000001100111010011000000011010101000101001001100011000001110010110110000000110011101001010101010111001011010010110111100000001100111010000010100110001111010000001011011110000101101011011110000100111010000011001110100110000000110101010001010010011遗传算法简介简单实例遗传算法的基本操作000110029遗传算法简介

简单实例至下一代，适应度计算→选择→交叉→变异，直至满足终止条件。遗传算法的基本操作

遗传算法简介简单实例遗传算法的基本操作30遗传算法简介

函数优化是遗传算法的经典应用领域;组合优化实践证明，遗传算法对于组合优化中的NP完全问题非常有效;自动控制如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辨识等;5遗传算法的应用

遗传算法简介函数优化5遗传算法的应用31遗传算法简介

机器人智能控制遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人逆运动学求解、细胞机器人的结构优化和行动协调等;组合图像处理和模式识别目前已在图像恢复、图像边缘持征提取、几何形状识别等方面得到了应用;遗传算法的应用

遗传算法简介机器人智能控制遗传算法的应用32遗传算法简介

人工生命基于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，遗传算法已在其进化模型、学习模型、行为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慨念，他使用了以LISP语言所表示的编码方法，基于对一种树型结构所进行的遗传操作自动生成计算机程序;遗传算法的应用

遗传算法简介人工生命遗传算法的应用332基本遗传算法

问题的提出一元函数求最大值：1简单函数优化的实例

2基本遗传算法问题的提出1简单函数优化的实例34基本遗传算法

问题的提出用微分法求取f(x)的最大值：解有无穷多个：简单函数优化的实例

基本遗传算法问题的提出简单函数优化的实例35基本遗传算法

问题的提出当i为奇数时xi对应局部极大值点，i为偶数时xi对应局部极小值。x19即为区间[-1,2]内的最大值点：此时，函数最大值f(x19)比f(1.85)=3.85稍大。简单函数优化的实例

基本遗传算法问题的提出简单函数优化的实例36基本遗传算法

编码表现型：x

基因型：二进制编码（串长取决于求解精度）

串长与精度之间的关系：若要求求解精度到6位小数，区间长度为2-(-1)＝3，即需将区间分为3/0.000001=3×106等份。所以编码的二进制串长应为22位。简单函数优化的实例

基本遗传算法编码简单函数优化的实例37基本遗传算法

产生初始种群产生的方式：随机产生的结果：长度为22的二进制串产生的数量：种群的大小（规模），如30，50，…111101001110000101100011001100111010101011101010100011110010000100101111001001110011100100011001010011000000110000011010010000000000……简单函数优化的实例

基本遗传算法产生初始种群简单函数优化的实例38基本遗传算法

计算适应度不同的问题有不同的适应度计算方法本例：直接用目标函数作为适应度函数①将某个体转化为[-1,2]区间的实数：

s=<1000101110110101000111>→x=0.637197②计算x的函数值（适应度）：

f(x)=xsin(10πx)+2.0=2.586345简单函数优化的实例

基本遗传算法计算适应度简单函数优化的实例39基本遗传算法

计算适应度（简单函数值替换）

二进制与十进制之间的转换：第一步，将一个二进制串（b21b20…b0）转化为10进制数：第二步，x’对应的区间[-1,2]内的实数：简单函数优化的实例

(0000000000000000000000)→-1(1111111111111111111111)→2基本遗传算法计算适应度（简单函数值替换）简单函数优化的实40基本遗传算法

遗传操作选择：轮盘赌选择法；交叉：单点交叉；变异：小概率变异简单函数优化的实例

基本遗传算法遗传操作简单函数优化的实例41基本遗传算法

模拟结果

设置的参数：种群大小50；交叉概率0.75；变异概率0.05；最大迭代数200。

得到的最佳个体：

smax=<1111001100111011111100>;xmax=1.8506;f(xmax)=3.8503;简单函数优化的实例

基本遗传算法模拟结果简单函数优化的实例42基本遗传算法

模拟结果

进化的过程：简单函数优化的实例

世代数自变量适应度11.44953.449491.83953.7412171.85123.8499301.85053.8503501.85063.8503801.85063.85031201.85063.85032001.85063.8503基本遗传算法模拟结果简单函数优化的实例世代数自变量适43基本遗传算法

编码原则完备性（completeness）：问题空间的所有解都能表示为所设计的基因型；健全性（soundness）：任何一个基因型都对应于一个可能解；非冗余性（non-redundancy）：问题空间和表达空间一一对应。2遗传基因型

基本遗传算法编码原则2遗传基因型44基本遗传算法

多种编码方式二进制编码；浮点数编码；格雷码编码；符号编码；复数编码；DNA编码等。遗传基因型

基本遗传算法多种编码方式遗传基因型45基本遗传算法

二进制编码与浮点数编码的比较在交叉操作时，二进制编码比浮点数编码产生新个体的可能性多，而且产生的新个体不受父个体所构成的超体的限制；在变异操作时，二进制编码的种群稳定性比浮点数编码差。遗传基因型

基本遗传算法二进制编码与浮点数编码的比较遗传基因型46基本遗传算法

适应度函数的重要性适应度函数的选取直接影响遗传算法的收敛速度以及能否找到最优解。一般而言，适应度函数是由目标函数变换而成的，对目标函数值域的某种映射变换称为适应度的尺度变换（fitnessscaling）。3适应度函数及其尺度变换

基本遗传算法适应度函数的重要性3适应度函数及其尺度变47基本遗传算法

几种常见的适应度函数直接转换若目标函数为最大化问题：Fit(f(x))=f(x)

若目标函数为最小化问题：Fit(f(x))=-f(x)适应度函数及其尺度变换

基本遗传算法几种常见的适应度函数适应度函数及其尺度变换48基本遗传算法

几种常见的适应度函数界限构造法1

若目标函数为最大化问题：若目标函数为最小化问题：适应度函数及其尺度变换

基本遗传算法几种常见的适应度函数适应度函数及其尺度变换49基本遗传算法

几种常见的适应度函数界限构造法2

若目标函数为最大化问题：若目标函数为最小化问题：

c为目标函数的保守估计值。适应度函数及其尺度变换

基本遗传算法几种常见的适应度函数适应度函数及其尺度变换50基本遗传算法

适应度函数的作用适应度函数设计不当有可能出现欺骗问题：（1）进化初期，个别超常个体控制选择过程；（2）进化末期，个体差异太小导致进化缓慢。适应度函数及其尺度变换

基本遗传算法适应度函数的作用适应度函数及其尺度变换51基本遗传算法

适应度函数的设计单值、连续、非负、最大化合理、一致性计算量小通用性强适应度函数及其尺度变换

基本遗传算法适应度函数的设计适应度函数及其尺度变换52基本遗传算法

适应度函数的线性变换法

f’=α*f+β

系数的确定满足以下条件：①f’avg=favg②f’max=cmultf’avg

cmult=1.0~2.0适应度函数及其尺度变换

基本遗传算法适应度函数的线性变换法适应度函数及其尺度变换53基本遗传算法

适应度函数的幂函数变换法

f’=fk

k与所求优化相关适应度函数及其尺度变换

k基本遗传算法适应度函数的幂函数变换法适应度函数及其尺度变54基本遗传算法

适应度函数的指数变换法

f’=e-af

a决定了复制的强制性，其值越小，复制的强制性就越趋向于那些具有最大适应性的个体。适应度函数及其尺度变换

α基本遗传算法适应度函数的指数变换法适应度函数及其尺度变换55基本遗传算法

几个概念选择压力（selectionpressure）:最佳个体选中的概率与平均个体选中概率的比值；偏差（bias）：个体正规化适应度与其期望再生概率的绝对差值；个体扩展（spread）：单个个体子代个数的范围；多样化损失（lossofdiversity）：在选择阶段未选中个体数目占种群的比例；4遗传操作——选择

基本遗传算法几个概念4遗传操作——选择56基本遗传算法

几个概念选择强度（selectionintensity）:将正规高斯分布应用于选择方法，期望平均适应度；选择方差（selectionvariance）：将正规高斯分布应用于选择方法，期望种群适应度的方差。遗传操作——选择

基本遗传算法几个概念遗传操作——选择57基本遗传算法

个体选择概率的常用分配方法按比例的适应度分配（proportionalfitnessassignment）某个体i，其适应度为fi，则其被选取的概率Pi为：遗传操作——选择

个体ff2P12.56.250.1821.01.000.0333.09.000.2641.21.440.0452.14.410.1360.80.640.0272.56.250.1881.31.690.0590.90.810.02101.83.240.09基本遗传算法个体选择概率的常用分配方法遗传操作——选择58基本遗传算法

个体选择概率的常用分配方法基于排序的适应度分配（rank-basedfitnessassignment）线性排序（byBaker）

μ为种群大小，i为个体序号，ηmax代表选择压力。遗传操作——选择

基本遗传算法个体选择概率的常用分配方法遗传操作——选择59基本遗传算法

个体选择概率的常用分配方法基于排序的适应度分配（rank-basedfitnessassignment）非线性排序（byMichalewicz）

i为个体序号，c为排序第一的个体的选择概率。遗传操作——选择

基本遗传算法个体选择概率的常用分配方法遗传操作——选择60基本遗传算法

常用选择方法轮盘赌选择法（roulettewheelselection）

遗传操作——选择

个体1234567891011适应度2.01.81.61.41.21.00.80.60.40.20.1选择概率0.180.160.150.130.110.090.070.060.030.020.0累计概率0.180.340.490.620.730.820.890.950.981.001.00基本遗传算法常用选择方法遗传操作——选择个体123461基本遗传算法

常用选择方法随机遍历抽样法（stochasticuniversalsampling）

遗传操作——选择

个体1234567891011适应度2.01.81.61.41.21.00.80.60.40.20.1选择概率0.180.160.150.130.110.090.070.060.030.020.0累计概率0.180.340.490.620.730.820.890.950.981.001.00设定n为需要选择的个体数目，等距离选择个体，选择指针的距离为1／n。第一个指针的位置由[0，l／n]区间的均匀随机数决定。如图所示，需要选择6个个体，指针间的距离为l／6＝o.167，第一个指针的随机位置为0.1，按这种选择方法被选中作为交配集个体为：1．2，3．4，6，8。

基本遗传算法常用选择方法遗传操作——选择个体123462基本遗传算法

常用选择方法局部选择法（localselection）

(1)线形邻集遗传操作——选择

在局部选择法中，每个个体处于一个约束环境中，称为局部邻域(而其他选择方法中视整个种群为个体之邻域)，个体仅与其邻近个体产生交互，该邻域的定义由种群的分布结构给出。邻域可被当作潜在的交配伙伴。首先均匀随机地选择一半交配种群，选择方法可以是随机遍历方法也可以是截断选择方法，然后对每个被选个体定义其局部邻域，在邻域内部选择交配伙伴。基本遗传算法常用选择方法遗传操作——选择在局部选择法63基本遗传算法

常用选择方法局部选择法（localselection）

(2)两对角邻集遗传操作——选择

基本遗传算法常用选择方法遗传操作——选择64基本遗传算法

常用选择方法局部选择法（localselection）

(2)两对角邻集遗传操作——选择

基本遗传算法常用选择方法遗传操作——选择65基本遗传算法

常用选择方法截断选择法（truncationselection）个体按适应度排列，只有优秀个体能够成为父个体，参数为截断阀值（被选作父个体的百分比）。遗传操作——选择

截断阀值1％10％20％40％50％80％选择强度2.661.761.20.970.80.34基本遗传算法常用选择方法遗传操作——选择截断阀值1％66基本遗传算法

常用选择方法锦标赛选择法（tournamentselection）随机从种群中挑选一定数目个体，其中最好的个体作为父个体，此过程重复进行完成个体的选择。遗传操作——选择

竞赛规模12351030选择强度00.560.851.151.532.04基本遗传算法常用选择方法遗传操作——选择竞赛规模1267基本遗传算法

实值重组离散重组子个体的每个变量可以按等概率随机地挑选父个体。5遗传操作——交叉/基因重组

父个体112

25

5父个体2123

4

34子个体1123

4

5子个体212

4

34基本遗传算法实值重组5遗传操作——交叉/基因重组68基本遗传算法

实值重组中间重组子个体＝父个体1＋α×（父个体2－父个体1）

α是比例因子，由[-d,1+d]上均匀分布地随机数产生。一般取d=0.25。子代的每个变量均产生一个α

。遗传操作——交叉/基因重组

基本遗传算法实值重组遗传操作——交叉/基因重组69基本遗传算法

实值重组中间重组示例

遗传操作——交叉/基因重组

父个体112255父个体2123434子个体1子个体2α值样本10.51.1-0.1α值样本20.10.80.512＋0.5×（123－12）=67.567.525＋1.1×（4－25）=1.91.92.112＋0.1×（123－12）=23.123.18.219.5基本遗传算法实值重组遗传操作——交叉/基因重组父个体70基本遗传算法

实值重组中间重组

遗传操作——交叉/基因重组

基本遗传算法实值重组遗传操作——交叉/基因重组71基本遗传算法

实值重组线性重组

遗传操作——交叉/基因重组

父个体112255父个体2123434子个体1子个体2α值样本10.5α值样本20.112＋0.5×（123－12）=67.567.525＋0.5×（4－25）=14.514.519.512＋0.1×（123－12）=23.123.122.97.9基本遗传算法实值重组遗传操作——交叉/基因重组父个体72基本遗传算法

实值重组线性重组

遗传操作——交叉/基因重组

基本遗传算法实值重组遗传操作——交叉/基因重组73基本遗传算法

二进制交叉单点交叉

遗传操作——交叉/基因重组

基本遗传算法二进制交叉遗传操作——交叉/基因重组74基本遗传算法

二进制交叉多点交叉

遗传操作——交叉/基因重组

基本遗传算法二进制交叉遗传操作——交叉/基因重组75基本遗传算法

实值变异一般采用：二进制变异

6遗传操作——变异

基本遗传算法实值变异6遗传操作——变异764.2基本遗传算法

运行程序

4.2.7算法的设计与实现

4.2基本遗传算法运行程序4.2.7算法77基本遗传算法

运行程序

算法的设计与实现

基本遗传算法运行程序算法的设计与实现784.2基本遗传算法

运行程序

4.2.7算法的设计与实现

4.2基本遗传算法运行程序4.2.7算法794.2基本遗传算法

运行程序

4.2.7算法的设计与实现

4.2基本遗传算法运行程序4.2.7算法803遗传算法的改进

改进的途径改变遗传算法的组成成分；采用混合遗传算法；采用动态自适应技术；采用非标准的遗传操作算子；采用并行遗传算法等。

3遗传算法的改进改进的途径81遗传算法的改进

改进思路1991年Eshelman提出的一种改进遗传算法；C：跨代精英选择（Crossgenerationalelitistselection）策略；H：异物种重组（Heterogeneousrecombination）；C：大变异（Cataclysmicmutation）。1.CHC算法

遗传算法的改进改进思路1.CHC算法82遗传算法的改进

选择上一代种群与通过新的交叉方法产生的个体群混合起来，从中按一定概率选择较优的个体；即使交叉操作产生较劣个体偏多，由于原种群大多数个体残留，不会引起个体的评价值降低；可以更好地保持遗传多样性；排序方法，克服比例适应度计算的尺度问题。CHC算法

遗传算法的改进选择CHC算法83遗传算法的改进

交叉均匀交叉的改进：当两个父个体位值相异的位数为m时，从中随机选取m/2个位置，实行父个体位值的交换；显然，这样的操作对模式具有很强的破坏性。确定一阈值，当个体间距离低于该阈值时，不进行交叉操作。进化收敛的同时，逐渐地减小该阈值。CHC算法

遗传算法的改进交叉CHC算法84遗传算法的改进

变异在进化前期不采取变异操作，当种群进化到一定收敛时期，从最优个体中选择一部分个体进行初始化；初始化：选择一定比例（扩散率，一般0.35）的基因座，随机地决定它们的位值。CHC算法

遗传算法的改进变异CHC算法85遗传算法的改进

参数分析交叉概率Pc和变异概率Pm的选择是影响遗传算法行为和性能的关键，直接影响算法的收敛性；Pc越大，新个体产生的速度就越快，但过大会使优秀个