下载此文档

智能控制理论和方法(第二版)第5章遗传算法及其在智能控制中的应用.ppt


文档分类:高等教育 | 页数:约110页 举报非法文档有奖
1/110
下载提示
  • 1.该资料是网友上传的,本站提供全文预览,预览什么样,下载就什么样。
  • 2.下载该文档所得收入归上传者、原创者。
  • 3.下载的文档,不会出现我们的网址水印。
1/110 下载此文档
文档列表 文档介绍
第5章遗传算法及其在智能控制中的应用
遗传算法的基本概念
简单遗传算法
遗传算法的基本数学问题
遗传算法应用中的一些基本问题
高级遗传算法
微种群和双种群遗传算法
遗传算法的应用
模糊规则与遗传算法在控制中的应用
遗传算法的基本概念 遗传算法(ic Algorithms, 简称GA)是人工智能的重要新分支, 是基于达尔文进化论, 在计算机上模拟生命进化机制而发展起来的一门新学科。它根据适者生存、优胜劣汰等自然进化规则来进行搜索计算和问题求解。对许多用传统数学难以解决或明显失效的复杂问题, 特别是优化问题, GA提供了一个行之有效的新途径, 也为人工智能的研究带来了新的生机。, 当时并没有引起学术界的关注, 因而发展比较缓慢。从20世纪80年代中期开始, 随着人工智能的发展和计算机技术的进步, 遗传算法逐步成熟, 应用日渐增多, 不仅应用于人工智能领域(如机器学****和神经网络), 也开始在工业系统, 如控制、机械、土木以及电力工程中得到成功应用, 显示出了诱人的前景。与此同时, GA也得到了国际学术界的普遍肯定。
简单遗传算法 在自然界的演化过程中, 生物体通过遗传(传种接代, 后代与父辈非常相象)、变异(后代与父辈不完全相象)来适应外界环境, 一代又一代地优胜劣汰, 发展进化。GA模拟了上述进化现象。它把搜索空间(欲求解问题的解空间)映射为遗传空间, 即把每一个可能的解编码为一个向量, 称为一个染色体(Chromosome)或个体, 它表示为二进制或十进制数字串。向量的每个元素称为基因(Genes)。所有染色体组成群体(Population)或集团。并按预定的目标函数(或某种评价指标, 如商业经营中的利润, 工程项目中的最小费用等)对每个染色体进行评价, 根据其结果给出一个适应度的值。算法开始时先随机地产生一些染色体(欲求解问题的候选解), 计算其适应度。根据适应度对诸染色体进行选择、交换、变异等遗传操作, 剔除适应度低(性能不佳)的染色体, 留下适应度高(性能优良)的染色体, 从而得到新的群体。由于新群体的成员是上一代群体的优秀者, 继承了上一代的优良性态, 因而明显优上于一代。GA就这样反复迭代, 向着更优解的方向进化, 直至满足某种预定的优化指标。。
遗传算法工作原理示意图
1. 选择运算 选择运算又称为繁殖, 再生, 或复制运算, 用于模拟生物界去劣存优的自然选择现象。它从旧种群中选择出适应性强的某些染色体, 放入匹配集(缓冲区), 为染色体交换和变异运算产生新种群作准备。适应度越高的染色体被选择的可能性越大, 其遗传基因在下一代群体中的分布就越广, 其子孙在下一代出现的数量就越多。有多种选择方法, 使用比较普遍的一种是适应度比例法。
适应度比例法又称为轮转法, 它把种群中所有染色体适应度的总和看作一个轮子的圆周, 而每个染色体按其适应度在总和中所占的比例占据轮子的一个扇区。每次染色体的选择可看作轮子的一次随机转动, 它转到哪个扇区停下来, 那个扇区对应的染色体就被选中。尽管这种选择方法是随机的, 但它与各染色体适应度成比例。这是因为适应度大的染色体占据轮子扇区面积大, 被选中的概率就高;适应度小的染色体占扇区小, 被选中的概率就低。某一染色体被选中的概率为
、适应度值、Ps(占总适应值的比例)、累计和及相应的转轮。
用适应度比例法进行选择时, 首先计算每个染色体的适应度, 然后按比例于各染色体适应度的概率选择进入交换(匹配)集, 其具体步骤如下: (1) 计算每个染色体的适应度值f(xi); (2) 累加所有染色体的适应度值, 得最终累加值sum= ∑f(xi), 同时也记录对于每个染色体的中间累加值S-mid; (3) 产生一个随机数N, 0<N<sum; (4) 选择其对应的中间累加值S-mid≥N的第一个染色体进入交换集; (5) 重复(3)、(4), 直到交换集中包含足够多的染色体为止。 显然, 此法要求染色体的适应度值应为正值。 例设某种群包含10个染色体, 。

智能控制理论和方法(第二版)第5章遗传算法及其在智能控制中的应用 来自淘豆网www.taodocs.com转载请标明出处.

非法内容举报中心
文档信息
  • 页数110
  • 收藏数0 收藏
  • 顶次数0
  • 上传人autohww
  • 文件大小1.80 MB
  • 时间2018-04-23