浅析遗传算法

转载 2017年01月03日 19:15:13

1

初探遗传算法

 

Ok,先看维基百科对遗传算法所给的解释:

遗传算法是计算数学中用于解决最优化的搜索算法,是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的,这些现象包括遗传、突变、自然选择以及杂交等。

 

遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题,一定数量的候选解(称为个体)的抽象表示(称为染色体)的种群向更好的解进化。传统上,解用二进制表示(即0和1的串),但也可以用其他表示方法。进化从完全随机个体的种群开始,之后一代一代发生。在每一代中,整个种群的适应度被评价,从当前种群中随机地选择多个个体(基于它们的适应度),通过自然选择和突变产生新的生命种群,该种群在算法的下一次迭代中成为当前种群。

 

光看定义,可能思路并不清晰,咱们来几个清晰的图解、步骤、公式:

基本遗传算法的框图:

 

 

所以,遗传算法基本步骤是:

1)  初始化   t←0进化代数计数器;T是最大进化代数;随机生成M个个体作为初始群体    P(t);

2)  个体评价 计算P(t)中各个个体的适应度值;

3)  选择运算 将选择算子作用于群体;

4)  交叉运算 将交叉算子作用于群体;

5)  变异运算 将变异算子作用于群体,并通过以上运算得到下一代群体P(t + 1);

6)  终止条件判断  t≦T:t← t+1 转到步骤2;

        t>T:终止 输出解。 

 

好的,看下遗传算法的伪代码实现:

▲Procedures  GA:   伪代码

2

深入遗传算法

 

1、智能优化算法概述

智能优化算法又称现代启发式算法,是一种具有全局优化性能、通用性强且适合于并行处理的算法。

这种算法一般具有严密的理论依据,而不是单纯凭借专家经验,理论上可以在一定的时间内找到最优解或近似最优解。 

遗传算法属于智能优化算法之一。 

 

常用的智能优化算法有:

遗传算法 、模拟退火算法、禁忌搜索算法、粒子群算法、蚁群算法。

(本经典算法研究系列,日后将陆续阐述模拟退火算法、粒子群算法、蚁群算法。)

 

2、遗传算法概述

遗传算法是由美国的J. Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的。

借鉴生物界自然选择和自然遗传机制的随机化搜索算法。 

模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象。

 

在每次迭代中都保留一组候选解,并按某种指标从解群中选取较优的个体,利用遗传算子(选择、交叉和变异)对这些个

体进行组合,产生新一代的候选解群,重复此过程,直到满足某种收敛指标为止。 

 

基本遗传算法(Simple Genetic Algorithms,GA)又称简单遗传算法或标准遗传算法),是由Goldberg总结出的一种最基本的遗传算法,其遗传进化操作过程简单,容易理解,是其它一些遗传算法的雏形和基础。

 

3、基本遗传算法的组成

(1)编码(产生初始种群)

(2)适应度函数

(3)遗传算子(选择、交叉、变异)

(4)运行参数

 

接下来,咱们分门别类,分别阐述着基本遗传算法的五个组成部分:

1)编码

遗传算法(GA)通过某种编码机制把对象抽象为由特定符号按一定顺序排成的串。

正如研究生物遗传是从染色体着手,而染色体则是由基因排成的串。

基本遗传算法(SGA)使用二进制串进行编码。 

 

初始种群:基本遗传算法(SGA)采用随机方法生成若干个个体的集合,该集合称为初始种群。

初始种群中个体的数量称为种群规模。

 

2)适应度函数 

遗传算法对一个个体(解)的好坏用适应度函数值来评价,适应度函数值越大,解的质量越好。

适应度函数是遗传算法进化过程的驱动力,也是进行自然选择的唯一标准,

它的设计应结合求解问题本身的要求而定。 

 

3.1、选择算子

遗传算法使用选择运算对个体进行优胜劣汰操作。

适应度高的个体被遗传到下一代群体中的概率大;适应度低的个体,被遗传到下一代群体中的概率小。

选择操作的任务就是从父代群体中选取一些个体,遗传到下一代群体。

 

基本遗传算法(SGA)中选择算子采用轮盘赌选择方法。

 

Ok,下面就来看下这个轮盘赌的例子,这个例子通俗易懂,对理解选择算子帮助很大。

 

 

轮盘赌选择方法
轮盘赌选择又称比例选择算子,其基本思想是:
各个个体被选中的概率与其适应度函数值大小成正比。

设群体大小为N,个体xi 的适应度为 f(xi),则个体xi的选择概率为:

 

 

轮盘赌选择法可用如下过程模拟来实现:

(1)在[0, 1]内产生一个均匀分布的随机数r。
(2)若r≤q1,则染色体x1被选中。
(3)若qk-1<r≤qk(2≤k≤N), 则染色体xk被选中。 
其中的qi称为染色体xi (i=1, 2, …, n)的积累概率, 其计算公式为:


 

积累概率实例: 

 

轮盘赌选择方法的实现步骤:
(1)计算群体中所有个体的适应度值;
(2)计算每个个体的选择概率;
(3)计算积累概率;
(4)采用模拟赌盘操作(即生成0到1之间的随机数与每个个体遗传到下一代群体的概率进行匹配)
来确定各个个体是否遗传到下一代群体中。

例如,有染色体
s1= 13 (01101)
s2= 24 (11000) 
s3= 8   (01000)
s4= 19 (10011)

假定适应度为f(s)=s^2 ,则
f (s1) = f(13) = 13^2 = 169
f (s2) = f(24) = 24^2 = 576
f (s3) = f(8) = 8^2 = 64
f (s4) = f(19) = 19^2 = 361

染色体的选择概率为:

 

染色体的累计概率为:


 

 

根据上面的式子,可得到:


 

 

例如设从区间[0, 1]中产生4个随机数: 

 

   r1 = 0.450126,    r2 = 0.110347 

   r3 = 0.572496,    r4 = 0.98503 

 

 

3.2、交叉算子

交叉运算,是指对两个相互配对的染色体依据交叉概率 Pc 按某种方式相互交换其部分基因,
从而形成两个新的个体。

交叉运算是遗传算法区别于其他进化算法的重要特征,它在遗传算法中起关键作用,
是产生新个体的主要方法。
基本遗传算法(SGA)中交叉算子采用单点交叉算子。

单点交叉运算

 

3.3、变异算子 

变异运算,是指改变个体编码串中的某些基因值,从而形成新的个体。
变异运算是产生新个体的辅助方法,决定遗传算法的局部搜索能力,保持种群多样性。

交叉运算和变异运算的相互配合,共同完成对搜索空间的全局搜索和局部搜索。
基本遗传算法(SGA)中变异算子采用基本位变异算子。

基本位变异算子是指对个体编码串随机指定的某一位或某几位基因作变异运算。
对于二进制编码符号串所表示的个体,若需要进行变异操作的某一基因座上的原有基因值为0,
则将其变为1;反之,若原有基因值为1,则将其变为0 。

基本位变异算子的执行过程:


 

4)运行参数

(1)M  :种群规模 
(2)T  : 遗传运算的终止进化代数 
(3)Pc  :交叉概率 
(4)Pm :变异概率

 

 

3

浅出遗传算法

 

遗传算法的本质

遗传算法本质上是对染色体模式所进行的一系列运算,即通过选择算子将当前种群中的优良模式遗传
到下一代种群中,利用交叉算子进行模式重组,利用变异算子进行模式突变。
通过这些遗传操作,模式逐步向较好的方向进化,最终得到问题的最优解。

遗传算法的主要有以下八方面的应用:
(1)组合优化     (2)函数优化 (3)自动控制      (4)生产调度 
(5)图像处理     (6)机器学习 (7)人工生命      (8)数据挖掘

 

 

4

遗传算法的应用



遗传算法的应用举例、透析本质(这个例子简明、但很重要)

已知x为整数,利用遗传算法求解区间[0, 31]上的二次函数y=x2的最大值。


 

[分析]

原问题可转化为在区间[0, 31]中搜索能使 y 取最大值的点 a 的问题。
个体:[0, 31] 中的任意点x
适应度:函数值f(x)=x2 
解空间:区间[0, 31]

这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。

[解]

(1) 设定种群规模,编码染色体,产生初始种群。
将种群规模设定为4;用5位二进制数编码染色体;取下列个体组成初始种群S1

s1= 13 (01101),  s2= 24 (11000)
s3= 8 (01000),    s4= 19 (10011
) 

(2) 定义适应度函数, 取适应度函数
f (x)=x^2

(3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,
直到适应度最高的个体,即31(11111)出现为止。

首先计算种群S1中各个体:
s1= 13(01101),    s2= 24(11000)
s3= 8(01000),      s4= 19(10011)
的适应度f (si), 容易求得:
f (s1) = f(13) = 13^2 = 169
f (s2) = f(24) = 24^2 = 576
f (s3) = f(8) = 8^2 = 64
f (s4) = f(19) = 19^2 = 361

再计算种群S1中各个体的选择概率:


由此可求得
P(s1) = P(13) = 0.14
P(s2) = P(24) = 0.49
P(s3) = P(8) = 0.06
P(s4) = P(19) = 0.31

再计算种群S1中各个体的积累概率:


 

 

选择-复制 

设从区间[0, 1]中产生4个随机数如下:
r1 = 0.450126,     r2 = 0.110347 
r3 = 0.572496,     r4 = 0.98503


 

于是,经复制得群体:
s1
’ =11000(24),  s2’ =01101(13) 
s3’ =11000(24)(24被选中俩次),  s4’=10011(19)

 

 

交叉

设交叉率pc=100%,即S1中的全体染色体都参加交叉运算。
设s1’与s2’配对,s3’与s4’配对。
s1’ =11000(24),  s2’ =01101(13)
s3’ =11000(24),  s4’ =10011(19)
分别交换后两位基因,得新染色体:
s1’’=11001(25),  s2’’=01100(12)
s3’’=11011(27),  s4’’=10000(16)

 

变异 

设变异率pm=0.001
这样,群体S1中共有
5×4×0.001=0.02
位基因可以变异。
0.02位显然不足1位,所以本轮遗传操作不做变异。

于是,得到第二代种群S2
s1=11001(25),  s2=01100(12)
s3=11011(27),  s4=10000(16)

第二代种群S2中各染色体的情况:


 

 

假设这一轮选择-复制操作中,种群S2中的4个染色体都被选中,则得到群体:
 s1’=11001(25),  s2’= 01100(12)
 s3’=11011(27),  s4’= 10000(16)

做交叉运算,让s1’与s2’,s3’与s4’ 分别交换后三位基因,得 
  s1’’=11100(28),    s2’’ = 01001(9)
  s3’’ =11000(24),   s4’’ = 10011(19)

这一轮仍然不会发生变异。
于是,得第三代种群S3:
 s1=11100(28), s2=01001(9)
 s3=11000(24), s4=10011(19)

第三代种群S3中各染色体的情况:

设这一轮的选择-复制结果为:

s1’=11100(28),   s2’=11100(28)

s3’=11000(24),   s4’=10011(19)

 

做交叉运算,让s1’与s4’,s2’与s3’ 分别交换后两位基因,得

  s1’’=11111(31),  s2’’=11100(28)

  s3’’=11000(24),  s4’’=10000(16)

 

这一轮仍然不会发生变异。

 

于是,得第四代种群S4: 

s1=11111(31)(出现最优解),  s2=11100(28)

s3=11000(24),  s4=10000(16)

 

显然,在这一代种群中已经出现了适应度最高的染色体s1=11111

 

于是,遗传操作终止,将染色体(11111)作为最终结果输出。

然后,将染色体“11111”解码为表现型,即得所求的最优解:31。

将31代入函数y=x2中,即得原问题的解,即函数y=x2的最大值为961。 

 

所以,综合以上各代群的情况,如下:

 

 

浅析遗传算法

浅析遗传算法   一、遗传算法的基本概念 遗传算法(Genetic Algorithm)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的J.Holl...
  • chiu1991
  • chiu1991
  • 2016年07月08日 08:07
  • 112

遗传算法详解

遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法,它最初由美国Michigan大学J.Ho...
  • u010945683
  • u010945683
  • 2014年11月10日 21:13
  • 8256

遗传算法详解及Java实现

1. 遗传算法的起源  20世纪60年代中期,美国密西根大学的John Holland提出了位串编码技术,这种编码既适合于变异又适合杂交操作,并且他强调将杂交作为主要的遗传操作。遗传算法的通用编码技术...
  • why_still_confused
  • why_still_confused
  • 2016年08月13日 18:02
  • 7420

A003-算法-遗传算法-绘图-(ques=1)

根据科学松鼠会的 文章《遗传算法:内存中的进化》设计实现步骤,实现绘图功能,还未写 代码。 文章地址:http://songshuhui.net/archives/10462...
  • Manon_des_source
  • Manon_des_source
  • 2016年09月04日 20:01
  • 469

使用MapReduce实现遗传算法

原文:Abhishek Verma等,Scaling Genetic Algorithm using MapReduce 摘要:遗传算法在大规模问题的求解中得到越来越多的应用。传统的基于MPI的并...
  • xyilu
  • xyilu
  • 2013年07月28日 23:48
  • 5129

遗传算法(GA)的C语言实现

问题: 在下面的程序中将要运用遗传算法对一个多项式求最小值 要求在(-8,8)间寻找使表达式达到最小的x,误差为0.001 问题分析: 编码:采用常规码,即二进制码编码。构造简单,交叉、变异的...
  • u013007900
  • u013007900
  • 2015年02月05日 10:07
  • 8143

神经网络和遗传算法结合(原创)

本人理解:        神经网络是用来处理 非线性关系的,输入和输出之间的关系可以确定(存在非线性关系),可以利用神经网络的自我学习(需要训练数据集 用明确的输入和输出),训练后权值确定,就可以测试...
  • u011001084
  • u011001084
  • 2015年10月22日 16:33
  • 4281

用python实现简单的遗传算法

今天整理之前写的代码,发现在做数模期间写的用python实现的遗传算法,感觉还是挺有意思的,就拿出来分享一下。 首先遗传算法是一种优化算法,通过模拟基因的优胜劣汰,进行计算(具体的算法思路什么的就...
  • czrzchao
  • czrzchao
  • 2016年08月25日 14:48
  • 13271

TSP_旅行商问题 - 遗传算法(四)

本文基于遗传算法的思想解决旅行商问题,满足了时间复杂度可接受,而且又不会陷入局部最优。本文首先简要介绍了遗传算法(GA)以及核心思想,此外,还给出具体实现程序的具体数据结构(最后提供本文的完整的代码以...
  • Houchaoqun_XMU
  • Houchaoqun_XMU
  • 2017年01月22日 12:54
  • 6550

大白话解析模拟退火算法、遗传算法入门

优化算法入门系列文章目录(更新中):   1. 模拟退火算法   2. 遗传算法   一. 爬山算法 ( Hill Climbing )          介绍模拟退火前...
  • GarfieldEr007
  • GarfieldEr007
  • 2016年04月01日 17:43
  • 8568
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:浅析遗传算法
举报原因:
原因补充:

(最多只允许输入30个字)