基因算法

人工智能里的智能优化算法

 演化优化

　　基因算法（遗传算法）

 群体智能优化

　　粒子群优化

　　蚁群优化

 人工智能里的智能学习算法：

 演化学习

 神经学习

 模糊学习

 

 

 

 

1 遗传算法的地位及框架

　　遗传算法是最早被提出的演化算法。

　　模拟了基因学和进化论

　　　　基因重组、变异、自然选择和适者生存

　　

　　基本框架：

 

 

 

2 遗传算法进阶技巧

进阶技巧一 —— 超越二进制编码

　个体编码技术：

　　二进制编码

　　　　Gray（格雷）编码

　　实数编码

　　整数排列编码

　　结构编码

　　　　树形编码

 

　　说明：10²意思是要精确到小数点后两位时，需要在0到10的区间上需要划分100个点。（10-0）意思是区间0-10

　　 

 

例：

　　解析：2¹³ <（100 - 0）x 10²=10000 <= 2¹⁴ - 1。如果这里的m不等于14，而是13或者15的话，10000就不在这个区间了。

 

　　解析：2¹⁴ <（1- 0+3-1）x 10² x 10²=30000 <= 2¹⁵ - 1

 

 

 

　　解析：2²⁷ <（1 - 0+1 - 0）x 10⁴ x 10⁴=200，000，000  <=  2²⁸ - 1

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 进阶技巧二——选择压力与偏性

　　选择压力：

　　　　某个个体被选中的概率远大于其他个体，则压力强

　　　　父代压力强：好的个体多次被选择来繁殖，相似后代多

　　　　子代压力强：好的个体留下，差的个体被子代替代

　　　　选择压力强利于局部exploitation（好的个体被选择的概率得到提升），但是易于早熟（陷入局部最优）

　　选择偏性：

　　　　无偏选择一般用随机选择（每个个体被选中概率相等）。无偏选择有利于保持种群多样性，有利于全局exploration。

　　　　在父代选择和子代选择，会兼顾局部exploitation和全局exploration。

　　　　常用组合：

　　　　父代选择：有偏，压力强

　　　　子代选择：无偏，子代取代父代

 

 

 

 

 

 

 

 

 

进阶技巧三——超越轮盘赌的父代选择策略

　　轮盘赌问题

　　　　初期选择压力大，末期选择压力小

　　带适应值变换的轮盘赌

　　　　变换适应值以得到期望的选择概率

　　按排名选择

　　　　根据排名赋予选择概率

　　锦标赛

　　　　小组局部竞争

进阶技巧四：超越单点交叉重组

　　两父辈单点交叉

　　两父辈多点交叉

　　两父辈均匀交叉

 

3 遗传算法的理论基础

相对凸优化，智能优化算法理论有较少的理论支撑。为了从理论上进一步解释遗传算法的有效性，Holland提出了模式定理。

模式定理对于简单的遗传算法（SGA）而言，

　　种群规模不变，使用二进制编码

　　基于适应值比例的选择策略

　　单点杂交算子和通常的变异算子