遗传算法的实现Word下载.docx
- 文档编号:21485813
- 上传时间:2023-01-30
- 格式:DOCX
- 页数:12
- 大小:26.56KB
遗传算法的实现Word下载.docx
《遗传算法的实现Word下载.docx》由会员分享,可在线阅读,更多相关《遗传算法的实现Word下载.docx(12页珍藏版)》请在冰豆网上搜索。
这些概念如下:
一、串(String)
它是个体(Individual)的形式,在算法中为二进制串,并且对应于遗传学中的染色体(Chromosome)。
二、群体(Population)
个体的集合称为群体,串是群体的元素
三、群体大小(PopulationSize)
在群体中个体的数量称为群体的大小。
四、基因(Gene)
基因是串中的元素,基因用于表示个体的特征。
例如有一个串S=1011,则其中的1,0,1,1这4个元素分别称为基因。
它们的值称为等位基因(Alletes)。
五、基因位置(GenePosition)
一个基因在串中的位置称为基因位置,有时也简称基因位。
基因位置由串的左向右计算,例如在串S=1101中,0的基因位置是3。
基因位置对应于遗传学中的地点(Locus)。
六、基因特征值(GeneFeature)
在用串表示整数时,基因的特征值与二进制数的权一致;
例如在串S=1011中,基因位置3中的1,它的基因特征值为2;
基因位置1中的1,它的基因特征值为8。
七、串结构空间SS
在串中,基因任意组合所构成的串的集合。
基因操作是在结构空间中进行的。
串结构空间对应于遗传学中的基因型(Genotype)的集合。
八、参数空间SP
这是串空间在物理系统中的映射,它对应于遗传学中的表现型(Phenotype)的集合。
九、非线性
它对应遗传学中的异位显性(Epistasis)
十、适应度(Fitness)
表示某一个体对于环境的适应程度。
遗传算法还有一些其它的概念,这些概念在介绍遗传算法的原理和执行过程时,再进行说明。
3.2.2遗传算法的原理
遗传算法GA把问题的解表示成“染色体”,在算法中也即是以二进制编码的串。
并且,在执行遗传算法之前,给出一群“染色体”,也即是假设解。
然后,把这些假设解置于问题的“环境”中,并按适者生存的原则,从中选择出较适应环境的“染色体”进行复制,再通过交叉,变异过程产生更适应环境的新一代“染色体”群。
这样,一代一代地进化,最后就会收敛到最适应环境的一个“染色体”上,它就是问题的最优解。
一、遗传算法的目的
典型的遗传算法CGA(CanonicalGeneticAlgorithm)通常用于解决下面这一类的静态最优化问题:
考虑对于一群长度为L的二进制编码bi,i=1,2,…,n;
有
bi∈{0,1}L
(3-84)
给定目标函数f,有f(bi),并且
0<
F(BI)<
∞<
P>
同时
f(bi)≠f(bi+1)
求满足下式
max{f(bi)|bi∈{0,1}L}
的bi。
很明显,遗传算法是一种最优化方法,它通过进化和遗传机理,从给出的原始解群中,不断进化产生新的解,最后收敛到一个特定的串bi处,即求出最优解。
二、遗传算法的基本原理
长度为L的n个二进制串bi(i=1,2,…,n)组成了遗传算法的初解群,也称为初始群体。
在每个串中,每个二进制位就是个体染色体的基因。
根据进化术语,对群体执行的操作有三种:
1.选择(Selection)
这是从群体中选择出较适应环境的个体。
这些选中的个体用于繁殖下一代。
故有时也称这一操作为再生(Reproduction)。
由于在选择用于繁殖下一代的个体时,是根据个体对环境的适应度而决定其繁殖量的,故而有时也称为非均匀再生(differentialreproduction)。
2.交叉(Crossover)
这是在选中用于繁殖下一代的个体中,对两个不同的个体的相同位置的基因进行交换,从而产生新的个体。
3.变异(Mutation)
这是在选中的个体中,对个体中的某些基因执行异向转化。
在串bi中,如果某位基因为1,产生变异时就是把它变成0;
反亦反之。
遗传算法的原理可以简要给出如下:
chooseanintialpopulation
determinethefitnessofeachindividual
performselection
repeat
performcrossover
performmutation
determinethefitnessofeachindividual
performselection
untilsomestoppingcriterionapplies
这里所指的某种结束准则一般是指个体的适应度达到给定的阀值;
或者个体的适应度的变化率为零。
三、遗传算法的步骤和意义
1.初始化
选择一个群体,即选择一个串或个体的集合bi,i=1,2,...n。
这个初始的群体也就是问题假设解的集合。
一般取n=30-160。
通常以随机方法产生串或个体的集合bi,i=1,2,...n。
问题的最优解将通过这些初始假设解进化而求出。
2.选择
根据适者生存原则选择下一代的个体。
在选择时,以适应度为选择原则。
适应度准则体现了适者生存,不适应者淘汰的自然法则。
给出目标函数f,则f(bi)称为个体bi的适应度。
以
为选中bi为下一代个体的次数。
显然.从式(3—86)可知:
(1)适应度较高的个体,繁殖下一代的数目较多。
(2)适应度较小的个体,繁殖下一代的数目较少;
甚至被淘汰。
这样,就产生了对环境适应能力较强的后代。
对于问题求解角度来讲,就是选择出和最优解较接近的中间解。
3.交叉
对于选中用于繁殖下一代的个体,随机地选择两个个体的相同位置,按交叉概率P。
在选中的位置实行交换。
这个过程反映了随机信息交换;
目的在于产生新的基因组合,也即产生新的个体。
交叉时,可实行单点交叉或多点交叉。
例如有个体
S1=100101
S2=010111
选择它们的左边3位进行交叉操作,则有
S1=010101
S2=100111
一般而言,交婊显譖。
取值为—。
4.变异
根据生物遗传中基因变异的原理,以变异概率Pm对某些个体的某些位执行变异。
在变异时,对执行变异的串的对应位求反,即把1变为0,把0变为1。
变异概率Pm与生物变异极小的情况一致,所以,Pm的取值较小,一般取。
例如有个体S=101011。
对其的第1,4位置的基因进行变异,则有
S'
=001111
单靠变异不能在求解中得到好处。
但是,它能保证算法过程不会产生无法进化的单一群体。
因为在所有的个体一样时,交叉是无法产生新的个体的,这时只能靠变异产生新的个体。
也就是说,变异增加了全局优化的特质。
5.全局最优收敛(Convergencetotheglobaloptimum)
当最优个体的适应度达到给定的阀值,或者最优个体的适应度和群体适应度不再上升时,则算法的迭代过程收敛、算法结束。
否则,用经过选择、交叉、变异所得到的新一代群体取代上一代群体,并返回到第2步即选择操作处继续循环执行。
图3—7中表示了遗传算法的执行过程。
图3-7遗传算法原理
3.2.3遗传算法的应用
遗传算法在很多领域都得到应用;
从神经网络研究的角度上考虑,最关心的是遗传算法在神经网络的应用。
在遗传算法应用中,应先明确其特点和关键问题,才能对这种算法深入了解,灵活应用,以及进一步研究开发。
一、遗传算法的特点
1.遗传算法从问题解的中集开始嫂索,而不是从单个解开始。
这是遗传算法与传统优化算法的极大区别。
传统优化算法是从单个初始值迭代求最优解的;
容易误入局部最优解。
遗传算法从串集开始搜索,复盖面大,利于全局择优。
2.遗传算法求解时使用特定问题的信息极少,容易形成通用算法程序。
由于遗传算法使用适应值这一信息进行搜索,并不需要问题导数等与问题直接相关的信息。
遗传算法只需适应值和串编码等通用信息,故几乎可处理任何问题。
3.遗传算法有极强的容错能力
遗传算法的初始串集本身就带有大量与最优解甚远的信息;
通过选择、交叉、变异操作能迅速排除与最优解相差极大的串;
这是一个强烈的滤波过程;
并且是一个并行滤波机制。
故而,遗传算法有很高的容错能力。
4.遗传算法中的选择、交叉和变异都是随机操作,而不是确定的精确规则。
这说明遗传算法是采用随机方法进行最优解搜索,选择体现了向最优解迫近,交叉体现了最优解的产生,变异体现了全局最优解的复盖。
5.遗传算法具有隐含的并行性
遗传算法的基础理论是图式定理。
它的有关内容如下:
(1)图式(Schema)概念
一个基因串用符号集{0,1,*}表示,则称为一个因式;
其中*可以是0或1。
例如:
H=1xx0xx是一个图式。
(2)图式的阶和长度
图式中0和1的个数称为图式的阶,并用0(H)表示。
图式中第1位数字和最后位数字间的距离称为图式的长度,并用δ(H)表示。
对于图式H=1xx0xx,有0(H)=2,δ(H)=4。
(3)Holland图式定理
低阶,短长度的图式在群体遗传过程中将会按指数规律增加。
当群体的大小为n时,每代处理的图式数目为0(n3)。
遗传算法这种处理能力称为隐含并行性(ImplicitParallelism)。
它说明遗传算法其内在具有并行处理的特质。
二、遗传算法的应用关键
遗传算法在应用中最关键的问题有如下3个
1.串的编码方式
这本质是问题编码。
一般把问题的各种参数用二进制编码,构成子串;
然后把子串拼接构成“染色体”串。
串长度及编码形式对算法收敛影响极大。
2.适应函数的确定
适应函数(fitnessfunction)也称对象函数(objectfunction),这是问题求解品质的测量函数;
往往也称为问题的“环境”。
一般可以把问题的模型函数作为对象函数;
但有时需要另行构造。
3.遗传算法自身参数设定
遗传算法自身参数有3个,即群体大小n、交叉概率Pc和变异概率Pm。
群体大小n太小时难以求出最优解,太大则增长收敛时间。
一般n=30-160。
交叉概率Pc太小时难以向前搜索,太大则容易破坏高适应值的结构。
一般取Pc=。
变异概率Pm太小时难以产生新的基因结构,太大使遗传算法成了单纯的随机搜索。
一般取Pm=0.01—0.2。
三、遗传算法在神经网络中的应用
遗传算法在神经网络中的应用主要反映在3个方面:
网络的学习,网络的结构设计,网络的分析。
1.遗传算法在网络学习中的应用
在神经网络中,遗传算法可用于网络的学习。
这时,它在两个方面起作用
(1)学习规则的优化
用遗传算法对神经网络学习规则实现自动优化,从而提高学习速率。
(2)网络权系数的优化
用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。
2.遗传算法在网络设计中的应用
用遗传算法设计一个优秀的神经网络结构,首先是要解决网络结构的编码问题;
然后才能以选择、交叉、变异操作得出最优结构。
编码方法主要有下列3种:
(1)直接编码法
这是把神经网络结构直接用二进制串表示,在遗传算法中,“染色体”实质上和神经网络是一种映射关系。
通过对“染色体”的优化就实现了对网络的优化。
(2)参数化编码法
参数化编码采用的编码较为抽象,编码包括网络层数、每层神经元数、各层互连方式等信息。
一般对进化后的优化“染色体”进行分析,然后产生网络的结构。
(3)繁衍生长法
这种方法不是在“染色体”中直接编码神经网络的结构,而是把一些简单的生长语法规则编码入“染色体”中;
然后,由遗传算法对这些生长语法规则不断进行改变,最后生成适合所解的问题的神经网络。
这种方法与自然界生物地生长进化相一致。
3.遗传算法在网络分析中的应用
遗传算法可用于分析神经网络。
神经网络由于有分布存储等特点,一般难以从其拓扑结构直接理解其功能。
遗传算法可对神经网络进行功能分析,性质分析,状态分析。
遗传算法虽然可以在多种领域都有实际应用,并且也展示了它潜力和宽广前景;
但是,遗传算法还有大量的问题需要研究,目前也还有各种不足。
首先,在变量多,取值范围大或无给定范围时,收敛速度下降;
其次,可找到最优解附近,但无法精确确定最扰解位置;
最后,遗传算法的参数选择尚未有定量方法。
对遗传算法,还需要进一步研究其数学基础理论;
还需要在理论上证明它与其它优化技术的优劣及原因;
还需研究硬件化的遗传算法;
以及遗传算法的通用编程和形式等。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 遗传 算法 实现