人工智能(5ga算法)61-wenkub
2023-03-10 12:42:55 本頁面
【正文】 11010001 B’ 01011110模擬生物在自然界環(huán)境變化 ,引起基因的突變 .在染色體二進(jìn)制編碼中 ,1變成 0。選擇方法 —— 適應(yīng)度比例法（轉(zhuǎn)輪法）按各染色體適應(yīng)度大小比例來決定其被選擇數(shù)目的多少。改 進(jìn) 的 遺傳 算法大量 擴(kuò) 充了遺傳 操作，以達(dá)到更高的效率。w1。 對優(yōu) 化 問題 ，適 應(yīng) 度函數(shù)就是目 標(biāo) 函數(shù)。要注意 w1,w2……對 TSP可以按一條回路城市的次序 進(jìn) 行 編碼 ，比如 碼串 134567829表示從城市 1i,? 原 問題結(jié) 構(gòu)稱 為 表 現(xiàn) 型。? 編碼與解碼? 適應(yīng)度函數(shù) 遺傳算法的基本機(jī)理 ? 進(jìn)化計(jì)算和遺傳算法借鑒了生物科學(xué)中的某些知識(shí)，這也體現(xiàn)了人工智能這一交叉學(xué)科的特點(diǎn)。programming)algorithms， GA)– 進(jìn)化策略 (evolution– 遺傳編程 (geic遺傳算法 ? 遺傳 算法自從 1965年提出以來，在國 際 上已 經(jīng) 形成了一個(gè)比 較 活 躍 的研究 領(lǐng) 域，已召開了多次比 較 重要的國 際 會(huì) 議和 創(chuàng)辦 了很多相關(guān)的國 際 刊物 .? 遺傳 算法已用于求解 帶 有 應(yīng) 用前景的一些 問題 ，例如 遺傳 程序 設(shè)計(jì) 、函數(shù) 優(yōu) 化、排序 問題 、人工神 經(jīng) 網(wǎng) 絡(luò) 、分類 系 統(tǒng) 、 計(jì) 算機(jī) 圖 像 處 理和機(jī)器人運(yùn) 動(dòng)規(guī) 劃等。? 霍蘭德的遺傳算法通常稱為簡單遺傳算法（ SGA）。? 遺傳操作 例： 貨 郎擔(dān) 問題 (Travellingj=1,...,n． TSP問題 是要找遍 訪 每個(gè)域市恰好一次的一條回路，且其路徑 總長 度 為 最短。開始，依次是城市3,4,5,6,7,8,2,9，最后回到城市 1。w n由于是回路， 記 wn+1=,…… ， wn是互不相同的。 TSP的目 標(biāo) 是路徑 總長 度 為 最短，路徑 總長 度的倒數(shù)就可以 為 TSP的適 應(yīng) 度函數(shù)：適 應(yīng) 度函數(shù)要有效反映每一個(gè)染色體與 問題的最 優(yōu) 解染色體之 間 的差距，一個(gè)染色體與 問題 的最 優(yōu) 解染色體之 間 的差距小， 則對應(yīng) 的適 應(yīng) 度函數(shù) 值 之差就小，否 則就大。? 選擇 操作也叫復(fù)制操作，根據(jù)個(gè)體的適 應(yīng)度函數(shù) 值 所度量的 優(yōu) 、劣程度決定它在下一代是被淘汰 還 是被 遺傳 。某染色體被選的概率： Pcxi 為種群中第 i個(gè)染色體，選擇操作具體步驟1）計(jì)算各染色體適應(yīng)度值2）累計(jì)所有染色體適應(yīng)度值，記錄中間累加值 S mid 和最 后累加值 sum = ∑f(xi)3） 產(chǎn)生一個(gè)隨機(jī)數(shù) N， 0〈 N 〈 sum 4） 選擇對應(yīng)中間累加值 S mid 的第一個(gè)染色體進(jìn)入交換集 5） 重復(fù)（ 3）和（ 4），直到獲得足夠的染色體?；?0變成 體的多樣性 ,避免進(jìn)化中早期成熟 ,陷入局部極值點(diǎn) ,突變的概率很低 .●變異復(fù)制不能產(chǎn)生新個(gè)體 ,交叉產(chǎn)生新的染色體(1)遺傳算法利用選擇、交叉、變異等算子而不是利用確定性規(guī)則進(jìn)行隨機(jī)操作。計(jì)算群體上每個(gè)個(gè)體的適應(yīng)度值 。按概率 Pm進(jìn)行突變操作 。輸出群體中適應(yīng)度值最優(yōu)的染色體作為問題的(2) 應(yīng)用選擇、交叉和變異等遺傳算子產(chǎn)生下一代群體。 遺傳算法產(chǎn)生初始群體是否滿足停止準(zhǔn)則計(jì)算每個(gè)個(gè)體的適應(yīng)值i=M?GEN:=GEN+1依概率選擇遺傳操作執(zhí)行復(fù)制選擇一個(gè)個(gè)體i:=i+1
環(huán)評公示相關(guān)推薦
鄂ICP備17016276號-1