文档详情

机器学习02__遗传算法.pdf

发布:2017-09-15约2.33万字共50页下载文档
文本预览下载声明
机器学习机器学习—— 遗传算遗传算法 智能工程研究室 计算机科学与技术学院 遗传算法 遗传算法思想来源于生物进化过程遗传算法思想来源于生物进化过程,, 它它 是基于进化过程中的信息遗传机制和优胜 劣汰的自然选择原则的搜索算法劣汰的自然选择原则的搜索算法((以字符串以字符串 表示状态空间) 。遗传算法用概率搜索过程 在该状态空间中搜索,产生新的样本。 22 遗传算法的特点 特点: 通用通用 鲁棒 次优解次优解、、满意解满意解 遗传算法能解决的问题: 优化优化 NP完全 NP难 高度复杂的非线性问题高度复杂的非线性问题 33 遗传算法 遗传算法先将搜索结构编码为字符串形式, 每个字 符串结构被称为个体符串结构被称为个体。。 然后对一组字符串结构(被称为一个群体)进行循环 操作操作。。每次循环被称作一代每次循环被称作一代,,包括一个保存字符包括一个保存字符 串中较优结构的过程和一个有结构的、随机的字 符串间的信息交换过程符串间的信息交换过程。。 类似于自然进化,遗传算法通过作用于染色体上 的基因寻找好的染色体来求解问题的基因寻找好的染色体来求解问题。。 44 遗传算法 与自然界相似,遗传算法对求解问题的本身一无 所知所知,,它所需要的仅是对算法所产生的每个染色它所需要的仅是对算法所产生的每个染色 体进行评价,并基于适应值来选择染色体,使适 应性好的染色体有更多的繁殖机会应性好的染色体有更多的繁殖机会。。 在遗传算法中,位字符串扮演染色体的作用,单 个位扮演了基因的作用个位扮演了基因的作用,,随机产生一个体字符串随机产生一个体字符串 的初始群体,每个个体给予一个数值评价,称为 适应度适应度,,取消低适应度的个体取消低适应度的个体,,选择高适应度的选择高适应度的 个体参加操作。 常用的遗传算子有复制常用的遗传算子有复制、、杂交杂交、、变异和反转变异和反转。。 55 遗传算法与传统优化算法的主要不同 1) 遗传算法不是直接作用在参变量集上, 而是 利用参变量集的某种编码利用参变量集的某种编码;; 2)) 遗传算法不是从单个点遗传算法不是从单个点,, 而是在群体中从一而是在群体中从一 组点开始搜索; 3)3) 遗传算法利用适应值信息遗传算法利用适应值信息, 无需导数或其它无需导数或其它 辅助信息; 4) 遗传算法利用概率转移规则, 而非确定性规 则则。。 66 遗传算法的准备工作 1) 确定表示方案确定表示方案; 2) 确定适应值的度量; 3) 确定控制该算法的参数和变量; 4) 确定怎样指定结果及程序运行结束的标准。 77 基本遗传算法 基本遗传算法(Simple Genetic Algorithm:SGA)又称为简 单遗传算法,只使用选择算子、交叉算子和变异算子这 三种基本的遗传算子。其遗传操作简单、容易理解,是 其它遗传算法的雏形和基础。 基本遗传算法的构成要素: 11、、染色体编码方法染色体编码方法::首先必须对问题的解空间进行编码首先必须对问题的解空间进行编码,, 使之能用遗传
显示全部
相似文档