人工智能-机器学习遗传算法的评估*遗传算法(icAlgorithms)是一种模拟生物界自然选择和遗传的启发式随机搜索算法。其基本步骤包括编码、初始群体的生成、适应度评估、选择、交叉操作和变异操作。GA是一种具有“生成+检测”的迭代过程的搜索算法。一、遗传算法的简介*初始群体评估每个个体选择交叉结束是否优解?开始解编码评估函数遗传操作•遗传算法在进化搜索中基本上不用外部信息,仅用目标函数即适应度函数为依据。•适应度函数评估是选择操作的依据。•一般需将目标函数以一定的方式映射成适应度函数。新群体变异二、遗传算法的实现过程*三、评估(Evaluation)EvaluationEvaluatedgenerationgenerationGA基本上不用外部信息,仅用适应度函数来评估每个个体。评估时需要解码(decoding),即把基因型(genotype)解转换为表示型(phenotype)解,以便利用评估函数或适应函数。*X(=39)解(个体)在问题空间和遗传空间的转换,即phenotype解和genotype解之间的转换。四、Codinganddecoding*coding假如用遗传算子来区别十进制数6、7、8、9。整数表示出一个自然且平局的有序空间。因为在十进制中,下一个数只下在前一数上加1,然而用二进制编码则有明显不同:–01100**********–6789在6和7之间还有8和9之间只有一位发生变化,但在7和8之间四位全部不相同。*coding这种不统一表现问题,在葛莱编码(graycoding)有较好的表现。Integer01234567binary000001010011100101110111Gray0000010110101**********从上面可看到,相邻两个数之间只相差一位,用Gray代替标准的binary,这样可以使得相邻状态间的遗传算子的转换变得平滑。*二值编码:问题空间的相邻解在编码空间并不相邻不利于解的搜索葛莱码:问题空间的相邻解在编码空间相邻有利于解的搜索coding*GA算法分析-群体设定编码设计后的任务是初始群体的设定,其关键问题是群体规模。其中要考虑:▲初始群体如何设定?多大规模?▲进化过程中各代的群体规模如何维持?⒈初始群体的设定GA中初始群体中的个体是随机产生的,也可以根据先验知识设定初始群体⒉群体中个体的多样性模式定理告诉我们,若群体规模为M,GA可操作的模式数为M³,并在此基础上不断形成和优化积木块,直到最优解。显然,M越大,GA操作的模式越多,生成有意义的积木块的机会越高。换句话说,群体规模越大,群体中个体的多样性越高,陷入局部解的危险就越小*群体规模太大的弊病计算效率由于个体被选择的概率大多采用适应度比例选择法,当规模太大时,大多数个体会被淘汰,仅少量的高适应度个体生存下来,影响配对和交叉繁殖。群体规模太小的弊病会使GA的搜索空间有限,引起未成熟收敛(prematureconvergence)结论:规模设定是一个tradeoff问题可以证明,在二进制编码的前提下,为满足隐并行性,群体的个数只要设定为即可。这个数目很大,一般设定为几十∽几百进化过程中,群体规模未必保持在相同规模,但一般情况下都保持不变GA算法分析-群体设定*
人工智能机器学习遗传算法的评估汇报ppt课件 来自淘豆网m.daumloan.com转载请标明出处.
