1、遗传算法,原理、编程和应用李通化,一、引言二、基本思想三、两种编码的方法四、遗传算法程序五、遗传算法应用六、作业七、结语,一、引言,1、起源 遗传算法（Genetic Algorithms) 自然选择和进化 为什么？ 解析的数学方法 适应系统 Artifical neuron networks Simulated annealing Genetic algorithms,2、优化方法,生物是地球环境中的最优解！优化方法： 1）枚举法 2）启发式算法 3）搜索算法 遗传算法模拟生物在自然环境中的遗传和进化，是一种自适应全局优化概率搜索算法。,优化方法体系,3、遗传算法的发展,1960 Holla
2、nd 1970 De Jong 1980 Goldberg 1990 Koza Genetic Programming目前，称为进化程序（Evolution Programs)有许多不同的变化，但基本思路是一样的。,4、遗传算法的特点 平行性 广泛搜索和局部精化结合 不需要过程的知识 解题范围广，容易编程 没有初值问题 容易理解,5、Magic Square 没有现成公式 只能尝试 GA最合适 用9个元素的数组 只用交换操作 解 in seconds,二、基本思想,1、遗传算法的具体思路 进化程序（Evolution Programs)特点： 借用遗传学的词汇 薄弱的理论基础,2、进化过程的模
3、拟 生物进化 遗传算法 群体 Population 基因 bits 染色体 Chromosome 选择或复制 Selection 交配 Crossover 突变 Mutation 适应 Fitness,3、解的表达 Individual=解（数字或文字） chromosome a set of bits,Chromosomes could be:Bit strings (0101 . 1100)Real numbers (43.2 -33.1 . 0.0 89.2) Permutations of element (E11 E3 E7 . E1 E15)Lists of rules (R1 R
4、2 R3 . R22 R23)Program elements (genetic programming). any data structure .,4、过程,initialize population;evaluate population;while TerminationCriteriaNotSatisfiedselect parents for reproduction;perform recombination and mutation;evaluate population;,Hill climber,Exploitationexploration优化，自然过程高度理想化的模拟遗
5、传算子,三、两种编码的方法,1、两种方法 经典遗传算法 二进制，改造问题 自然表达算法 十进制，改造遗传操作,2、二进制编码 bits- string 00110010111111 遗传操作：crossover, mutation,Crossover,P1 (0 1 1 0 1 0 0 0) (0 1 0 0 1 0 0 0) C1P2 (1 1 0 1 1 0 1 0) (1 1 1 1 1 0 1 0) C2Crossover is a critical feature of geneticalgorithms:It greatly accelerates search early in
6、evolution of a populationIt leads to effective combination of schemata (subsolutions on different chromosomes),Mutation,Before: (1 0 1 1 0 1 1 0)After: (0 1 1 0 0 1 1 0),3、十进制编码 用实数 a) 位操作 b) 实数操作,四、遗传算法程序,1、举例 y x1 x26.08 10.0 5.02.42 20.0 5.02.10 30.0 5.07.31 10.0 5.53.00 20.0 5.53.13 30.0 5.57.06
7、 10.0 6.03.72 20.0 6.03.37 30.0 6.0 y = ax12 +bx22 +cx1x2 +dx1 +ex2+ f,2、定义#definePOPULATION50#defineCHROMOSOME6#define SAMPLE 9#define REALS 9.0typedefstructdoublechrom CHROMOSOME;doubleevalu; Individual;,Individualpopul POPULATION;doublescale;Int best, worst;double ySAMPLE；double x1SAMPLE, x2SAMPL
8、E;double varSAMPLECHROMOSOME;,3、函数voidNGA (void);voidInitNGA (void);voidCrossover (void);voidMutation (void);void Memory (void);voidSort (void);voidEvalu (Individual *);,4、预处理 变量中心化 x* = xi / n x = x x* y* = yi / n y = y y*,vari0=x1i*x1i; vari1=x2i*x2i; vari2=x1i*x2i; vari3=x1i; vari4=x2i; vari5=1.0
9、;,5、初始化scale = 1.0;for (i=0; iPOPULATION; i+)for (j=0; jevalu=temp1;,7、排序void Sort ()int i;best = worst = 0;for (i=1; i populworst.evalu)worst = i;,8、Crossovervoid Crossover ()doi = random (POPULATION);j = random (POPULATION);while (i = j);for (k=0; kCHROMOSOME; k+)offspring.chromk=populi.chromk;k =
10、 random (CHROMOSOME);,offspring.chromk += populj.chromk;offspring.chromk /= 2; /*变化*/Evalu (,9、Mutationvoid Mutation ()doi = random (POPULATION);j = random (POPULATION);while (i = j);for (k=0; kCHROMOSOME; k+)offspring.chromk=populi.chromk;k = random (CHROMOSOME);offspring.chromk *= 1+scale*(2*(doub
11、le)(rand()/RAND_MAX-1);,Evalu (,10、加速void Memory (),11、主控制prev = populbest.evalu;while (ch=kbhit()?getch():0)!=033),for (i=0; i10; i+)Crossover (); Mutation(); Mutation(); Memory();if (populbest.evalu = prev)count +;elseprev = populbest.evalu;count = 0;,12、控制参数 群体大小 初始化范围 Crossover概率 Mutation概率 Memo
12、ry步长 Scale 结束条件 其它附加控制,五、遗传算法应用,函数优化数值解组合优化人工生命机器人学习图形处理,化学领域： 1）选择和组合 波长选择，变量选择等，但对于选择规模小的体系，不适合运用。 2）非线性问题 离子平衡，浓度平衡等。 3）优化问题 实验设计，系统模拟等。 4）其他问题 没有现成方法。,六、作业,色谱保留时间与色谱条件的关系y x1 x26.08 10.0 5.02.42 20.0 5.02.10 30.0 5.07.31 10.0 5.53.00 20.0 5.53.13 30.0 5.57.06 10.0 6.03.72 20.0 6.03.37 30.0 6.0 y = ax12 +bx22 +cx1x2 +dx1 +ex2+ f误差=0.2305,七、结语,遗传算法是十分有效的计算方法，可以解决各种类型的问题。 研究的重点将在于运用.,
