第五章 遗传算法

第五章 遗传算法 一.前言 二.基本算法 三.模板理论 四.算法变形 五.算法应用 六.学习遗传算法的几点体会

一.前言 遗传算法的产生与发展 早在50年代，一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过程 1963年，德国柏林技术大学的I. Rechenberg和H. P. Schwefel做风洞实验时，产生了进化策略的初步思想 60年代， L. J. Fogel在设计有限态自动机时提出进化规划的思想。1966年，Fogel等出版了《基于模拟进化的人工智能》，系统阐述了进化规划的思想

一.前言 遗传算法的产生与发展 60年代中期，美国Michigan大学的J. H. Holland教授提出借鉴生物自然遗传的基本原理用于自然和人工系统的自适应行为研究和串编码技术 1967年，他的学生J. D. Bagley在博士论文中首次提出“遗传算法(Genetic Algorithms)”一词 1975年，Holland出版了著名的“Adaptation in Natural and Artificial Systems”，标 志遗传算法的诞生

一.前言 遗传算法的产生与发展 70年代初，Holland提出了“模式定理”（Schema Theorem），一般认为是“遗传算法的基本定理”，从而奠定了遗传算法研究的理论基础 1985年，在美国召开了第一届遗传算法国际会议，并且成立了国际遗传算法学会（ISGA，International Society of Genetic Algorithms）

一.前言 遗传算法的产生与发展 1989年，Holland的学生D. J. Goldherg出版了“Genetic Algorithms in Search, Optimization, and Machine Learning”，对遗传算法及其应用作了全面而系统的论述 1991年，L. Davis编辑出版了《遗传算法手册》，其中包括了遗传算法在工程技术和社会生活中大量的应用实例 2000年，汪定伟教授翻译出版了《遗传算法与工程优化》

一.前言 遗传算法的产生与发展 几个名词 遗传算法 （Genetic Algorithm, GA） 进化算法（Evolutionary Algorithm, EA） 计算智能（Computational Intelligence, CI） 人工智能（Artificial Intelligence, AI）

一.前言 遗传算法的产生与发展 几个名词 进化算法EA：由于遗传算法、进化规划和进化策略是不同领域的研究人员分别独立提出的，在相当长的时期里相互之间没有正式沟通。直到90年代，才有所交流。他们发现彼此的基本思想具有惊人的相似之处，于是提出将这类方法统称为“进化算法”。后来，遗传规划和差分进化也被归纳到EA范畴之内。

一.前言 遗传算法的产生与发展 几个名词 计算智能CI：利用计算机实现的具有一定启发式特征的一类优化方法的统称。这些方法具备的要素：自适应的结构、随机产生的或指定的初始状态、适应度的评测函数、修改结构的操作、系统状态存储器、终止计算的条件、指示结果的方法、控制过程的参数。计算智能方法具有自学习、自组织、自适应的特征和简单、通用、鲁棒性强、适于并行处理的优点。

一.前言 遗传算法的产生与发展 几个名词 人工智能AI：二十世纪七十年代以来被称为世界三大尖端技术之一（空间技术、能源技术、人工智能）。AI是研究人类智能活动的规律，构造具有一定智能的人工系统，研究如何让计算机去完成以往需要人的智力才能胜任的工作，也就是研究如何应用计算机的软硬件来模拟人类某些智能行为的基本理论、方法和技术。

一.前言 GA的生物学原理 达尔文的自然选择说 遗传：子代和父代具有相同或相似的性状，保证物种稳定性 变异：子代与父代，子代不同个体之间总有差异，是生命多样性的根源 “自然选择、适者生存”：具有适应性变异的个体被保留，不具适应性变异的个体被淘汰，这是一个长期的、缓慢的、连续的过程

一.前言 GA的生物学原理 遗传学的基本术语 染色体（chromosome）：遗传物质的载体 脱氧核糖核酸（DNA）：大分子有机聚合物，双螺旋结构 遗传因子（gene）：DNA长链结构中占有一定位置的基本遗传单位

一.前言 GA的生物学原理 遗传学的基本术语 基因型（genotype）：遗传因子组合的模型 表现型（phenotype）：由染色体决定性状的外部表现 1 1 1 1 1 1 1 1 1 1 0 1 1 1

一.前言 GA的生物学原理 遗传学的基本术语 基因座（locus）：遗传基因在染色体中所占据的位置，同一基因座可能有的全部基因称为等位基因（allele） 个体（individual）：带有染色体特征的实体 种群（population）：个体的集合

一.前言 GA的生物学原理 遗传学的基本术语 进化（evolution）：生物在其延续生存的过程中，逐渐适应其生存环境，使得其品质不断得到改良，这种生命现象称为进化 适应度（fitness）：度量某个物种对于生存环境的适应程度。对生存环境适应程度较高的物种将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖机会就会相对较少，甚至逐渐灭绝

一.前言 GA的生物学原理 遗传学的基本术语 复制（reproduction）：细胞在分裂时，遗传物质DNA通过复制而转移到新产生的细胞中，新的细胞就继承了旧细胞的基因 交叉（crossover）：在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新的染色体。又称基因重组，俗称“杂交”

一.前言 GA的生物学原理 遗传学的基本术语 变异（mutation）：在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生出新的染色体，这些新的染色体表现出新的性状 编码（coding）：表现型到基因型的映射 解码（decoding）：基因型到表现型的映射

一.前言 GA的生物学原理 1930～1947年，达尔文进化论与遗传学走向融合，T. Dobzhansky于1937年发表的《遗传学与物种起源》是融合进化论与遗传学的代表作 生物物种作为复杂系统，具有奇妙的自适应、自组织和自优化能力，这是一种生物在进化过程中体现的智能，显然在计算科学上具有直接的借鉴意义

一.前言 GA的基本思想 产生一个种群 根据问题的目标函数构造适值函数 根据适值函数的好坏，不断选择繁殖 若干代后得到适应值最大的个体即最优解 遗传算法是一种基于种群的，迭代的元启发式优化算法

二.基本算法 GA的基本流程 见下页

二.基本算法 开始 产生初始种群 Y 判断停止条件 输出 停止 N 评估(在解空间做) 计算适值函数 选择 向改进方向移动(在编码空间做) 遗传运算 更新种群 停止 Y N 评估(在解空间做) 向改进方向移动(在编码空间做)

二.基本算法 GA的基本流程 解空间与编码空间的转换 适值计算需要在解空间内进行，而遗传运算是对编 码空间操作的，所以要进行两个空间的转换

二.基本算法 GA的基本流程 后代 011000000 编码空间 011110001 011001100 遗传运算 011110011 编码 解空间 编码 011001100 编码空间 011110011 遗传运算 后代 011000000 011110001 更新 解码 计算适值 评估

二.基本算法 GA的构成要素 个体 编码方法：二进制、整数编码、顺序编码、实数编码等，问题依赖的 适值函数：根据目标函数设计（适值函数的标定，fitness scaling），可以直接将目标函数作为适值函数

二.基本算法 GA的构成要素 种群 种群大小：依赖于计算机的计算能力和计算复杂度，通常设为常数 初始种群的产生：依赖于编码方法，随机或者依据一定的启发式产生

二.基本算法 GA的构成要素 选择 选择概率的计算方法：按比例的适应度函数（proportional fitness assignment）、基于排序的适应度计算（rank-based fitness assignment）等 选择算法：轮盘赌选择（roulette wheel selection）、随机遍历抽样（stochastic universal selection）、截断选择（truncation selection）、锦标赛选择（tournament selection）等

二.基本算法 GA的构成要素 交叉 交叉率：一对父代个体进行交叉的概率，用Pc表示，通常设为0.8-0.9 二进制及整数编码：单切点交叉（single-point crossover）、双切点交叉（double-point crossover）、均匀交叉（uniform crossover） 顺序编码：部分映射交叉 （partially mapped crossover)、顺序交叉(order crossover)、循环交叉(cycle crossover)

二.基本算法 GA的构成要素 交叉 实数编码：离散重组（discrete recombination）、中间重组（intermediate recombination）线性重组（linear recombination）

二.基本算法 GA的构成要素 变异 变异率：染色体上基因发生变异的概率，用Pm表示，一般设定得比较小，在0.05以下 二进制及整数编码：位变异 顺序编码：2-opt或者k-opt 实数编码：实值变异

二.基本算法 计算举例 产生初始种群 计算适值 （8） （5） （2） （10） （7） （12） （5） （19） （10） （14） 0001100000 0101111001 0000000101 1001110100 1010101010 1110010110 1001011011 1100000001 1001110100 0001010011

二.基本算法 计算举例 选择 个体 染色体 适值 选择概率 累积概率 1 0001100000 8 2 0101111001 5 3 0000000101 4 1001110100 10 1010101010 7 6 1110010110 12 1001011011 1100000001 19 9 0001010011 14 0.086957 0.054348 0.021739 0.108696 0.076087 0.130435 0.054348 0.206522 0.152174 8 8＋5＋2＋10＋7＋12＋5＋19＋10＋14 5 8＋5＋2＋10＋7＋12＋5＋19＋10＋14

二.基本算法 计算举例 选择 个体 染色体 适值 选择概率 累积概率 1 0001100000 8 2 0101111001 5 3 0000000101 4 1001110100 10 1010101010 7 6 1110010110 12 1001011011 1100000001 19 9 0001010011 14 0.086957 0.086957 0.054348 0.141304 0.021739 0.108696 0.076087 0.130435 0.054348 0.206522 0.152174 0.163043 0.271739 0.347826 0.478261 0.532609 0.739130 0.847826 1.000000

二.基本算法 计算举例 选择 在0-1之间产生随机数： 个体 染色体 适应度 选择概率 累积概率 1 0001100000 8 2 0101111001 5 3 0000000101 4 1001110100 10 1010101010 7 6 1110010110 12 1001011011 1100000001 19 9 0001010011 14 0.086957 0.086957 0.054348 0.141304 淘汰！ 0.021739 0.108696 0.076087 0.130435 0.054348 0.206522 0.152174 0.163043 0.271739 0.347826 0.478261 0.532609 0.739130 0.847826 1.000000 0.070221 0.545929 0.784567 0.446930 0.507893 0.291198 0.716340 0.270901 0.371435 0.854641

二.基本算法 计算举例 交叉（pc=0.9） 在0-1之间产生随机数 0.755361 0.321546 0.568922 0.925140 0001100000 1110010110 1100000001 1001110100 1010101010 1110010110 1001011011 1001110100 1100000001 0001010011 0001100000 1110010110 1100000001 1001110100 1010101010 1110010110 1001011011 1100000001 1001110100 0001010011 0001 010110 111 1011011 110000 0100 1001110100 1010101 011 1110 100000 100 0010110 100111 0001 1100000001 0001010 010 0.755361 0.321546 0.568922 0.925140 0.154232

二.基本算法 计算举例 变异（pm=0.05） 在0-1之间产生随机数 0001010110 1111011011 1100000100 1001110100 1010101011 1110100000 1000010110 1001110001 1100000001 0001010010 0001010110 1111011011 1100000100 1001100100 1010101011 1110100000 1000010110 1001010001 1100000001 0101010000

二.基本算法 计算举例 至下一代，适应度计算→选择→交叉→变异，直至满足终止条件

三.模板理论 基本概念 模板： 若干位确定，若干位不确定的一类个体的总称，用S表示，如0    或1     模板的长度l(s)：模板第一个确定位与最后一个确定位之间的长度 模板的阶数 K(s)：模板中确定位的个数 例如 若S :   0  1  1  ，则l(s)=4，K(s)=3

三.模板理论 基本概念 常识 n位编码总长n-1 阶数为K(s) 的模板S中的个体总数为 对于一个n位二进制表达，染色体长度为n，则模板数>个体数(3n>2n) ，即分类方法数>个体总数，因模板因子、个体因子分别为(0,1,)、 (0,1) 。

三.模板理论 模板理论 引理1：在正比选择下，模板在第t+1代的期望个体数为： 其中，f(s,t)是第t代模板S中所有个体的适值均值与种群中所有个体的适值均值的比，N(s,t)是第t代 S的个体数。

三.模板理论 模板理论 引理1 证明：

三.模板理论 模板理论 引理1 注释 种群的适值和Sum为： ，则选择概率Pi为：

三.模板理论 模板理论 引理1 注释 为S模板中所有个体的适值均值， 为种群的适值 均值 只要均值f(s,t) >1，则好模板的个体会越来越多 以上证明没有考虑交叉变异，那么交叉变异会不会破坏种群模板S？概率有多大？

三.模板理论 模板理论 引理2：第t代以概率pc做交叉，对长度为l(s)的模板S中的个体，则在第t+1代中该个体仍在模板S中的概率下界为： 其中，P(s,t)为第t代个体为S的概率。

三.模板理论 模板理论 引理2 证明： 交叉破坏S的条件 做了交叉：pc 交叉点在S内：l(s)/(n-1) 配偶不在S中：1-P(s,t) 则不被破坏的概率为： 若配偶不属于模板S，是否能产生后代为模板S？

三.模板理论 模板理论 引理3：若第t代以pm做变异，对于一个阶数为K(s)的模板S中的个体，则在第t+1代仍在 S中的概率下界为：

三.模板理论 模板理论 引理3 证明： 对于S来说 当K(s)=1时，不被破坏的概率为：1-pm 当K(s)>1时，不被破坏的概率为

三.模板理论 模板理论 主定理（模板定理）：第t代以概率pc和pm做交叉和变异时，长度为l(s)，阶数为K(s)，适值均值比为f(s,t)的模板S在第t+1代的期望个体数的下界为： 交叉破坏 变异破坏

三.模板理论 模板理论 主定理（模板定理）：第t代以概率pc和pm做交叉和变异时，长度为l(s)，阶数为K(s)，适值均值比为f(s,t)的模板S在第t+1代的期望个体数的下界为： 交叉破坏 变异破坏 当 时， E(s,t)随代数增加而增加

四.算法变形 编码 编码原则 完备性（completeness）：问题空间的所有解都能表示为所设计的基因型 健全性（soundness）：任何一个基因型都对应于一个可能解； 非冗余性（non-redundancy）：问题空间和表达空间尽一一对应

四.算法变形 编码 编码方式 二进制编码：适用于背包问题、实优化、指派问题等 整数编码：适用于时间优化，伙伴挑选等 顺序编码：适用于指派、旅行商问题，单机调度等，合法性问题 浮点数编码：适用于实优化等，简单运算方便

四.算法变形 编码 二进制编码与浮点数编码的比较 在交叉操作时，二进制编码比浮点数编码产生新个体的可能性多，而且产生的新个体不受父个体所构成的超体的限制 在变异操作时，二进制编码的种群稳定性比浮点数编码差

四.算法变形 适值函数的标定 适应度函数的重要性：适应度函数的选取直接影响遗传算法的收敛速度以及能否找到最优解；一般而言，适应度函数是由目标函数变换而成的，对目标函数值域的某种映射变换称为适应度的标定（fitness scaling）。

四.算法变形 适值函数的标定 标定的目的 标定 选择压力小，差别 小，选优功能弱化了 选择压力大，差别放 大，选优功能强化了

四.算法变形 适值函数的标定 标定方法 线性标定 函数表达式 F为适值函数，f为目标函数 a. 对max f(x) ，令 函数表达式 ： b. 对min f(x) ，令

四.算法变形 适值函数的标定 标定方法 动态线性标定（最常用） 函数表达式 ，k为迭代指标 优点：计算容易不占用时间 a. 对max f(x) ，令 函数表达式 ： b. 对min f(x) ，令

四.算法变形 适值函数的标定 标定方法 动态线性标定（最常用） 的作用： 的加入使最坏个体仍有繁殖的可能， 随k的增大而减小 的取值： 的作用： 的加入使最坏个体仍有繁殖的可能， 随k的增大而减小 的取值： 调节M 和r，从而来调节

四.算法变形 适值函数的标定 标定方法 幂率标定 函数表达式 α的取值，α >1时加大差别 α <1时减小差别 对数标定 对数标定的作用：缩小差别

四.算法变形 适值函数的标定 标定方法 指数标定 函数表达式 指数标定的作用：扩大差别 窗口技术 为前W代中的最小目标值，它考虑了各代 的波动，这样 具有记忆性

四.算法变形 适值函数的标定 标定方法 正规化技术 函数表达式 正规化技术的作用：将 F映射到(0,1)区间，抑制 超级染色体 正规化技术的实质：特殊的动态标定

四.算法变形 遗传操作——选择 几个概念 选择压力（selection pressure）：最佳个体选中的概率与平均个体选中概率的比值 多样性损失（loss of diversity）：在选择阶段未选中个体数目占种群的比例

四.算法变形 遗传操作——选择 个体选择概率的计算方法 按比例的适应度分配 某个体i，其适应度为fi，则其被选取的概率Pi为

四.算法变形 遗传操作——选择 个体选择概率的计算方法 基于排序的适应度分配 步骤： a. 从好到坏排序所有个体 b.定义最好个体的选择概率为q ,则第i个个体的选 择概率为： c.由于

四.算法变形 遗传操作——选择 个体选择概率的计算方法 基于排序的适应度分配 步骤： c. NP有限时要归一化，则有下面的两个公式：

四.算法变形 遗传操作——选择 常用选择方法 轮盘赌选择法 个体 1 2 3 4 5 6 7 8 9 10 适应度 2.0 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 选择概率 0.18 0.16 0.15 0.13 0.11 0.09 0.07 0.06 0.03 0.02 累计概率 0.34 0.49 0.62 0.73 0.82 0.89 0.95 0.98 1.00

四.算法变形 遗传操作——选择 常用选择方法 随机遍历抽样法 设定n为需要选择的个体数目，等距离选择个体，选择指针的距离为1／n。第一个指针的位置由[0，l／n]区间的均匀随机数决定。如图所示，需要选择6个个体，指针间的距离为l／6＝0.167，第一个指针的随机位置为0.1，按这种选择方法被选中作为交配集个体为：1，2，3，4，6，8。 个体 1 2 3 4 5 6 7 8 9 10 适应度 2.0 1.8 1.6 1.4 1.2 1.0 0.8 0.6 0.4 0.2 选择概率 0.18 0.16 0.15 0.13 0.11 0.09 0.07 0.06 0.03 0.02 累计概率 0.34 0.49 0.62 0.73 0.82 0.89 0.95 0.98 1.00

四.算法变形 遗传操作——选择 常用选择方法 截断选择法 个体按适应度排列，只有优秀个体能够称为父个 体，参数为截断阀值（被选作父个体的百分比） 锦标赛选择法 随机从种群中挑选一定数目个体，其中最好的个 体作为父个体，此过程重复进行完成个体的选择

四.算法变形 遗传操作——交叉或重组 二进制交叉 单切点交叉

四.算法变形 遗传操作——交叉或重组 二进制交叉 多切点交叉

四.算法变形 遗传操作——交叉或重组 二进制交叉 均匀交叉

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 在顺序编码遗传运算的过程中会遇见不合法 的编码，应战的策略有二：拒绝或修复 例如：经交叉后，后代编码不合法 P1: 21 ¦ 345 ¦ 67 C1: 21 ¦ 125 ¦ 67 P2: 43 ¦ 125 ¦ 76 C2: 43 ¦ 345 ¦ 76

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 部分映射交叉(PMX) 步骤： a. 选切点X,Y； b. 交换中间部分； c. 确定映射关系； d. 将未换部分按映射关系恢复合法性

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 部分映射交叉(PMX) P1: 2 1 ¦ 3 4 5 ¦ 6 7 ¦ 1 2 5 ¦ 映射关系：3-1，4-2，5-5 C1: 4 3 ¦ 1 2 5 ¦ 6 7 C2: 2 1 ¦ 3 4 5 ¦ 7 6

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 顺序交叉(OX) 步骤： a. 选切点X,Y； b.交换中间部分； c. 从切点Y后第一个基因起列出原序，去掉已有 基因； d. Y后第一个位置起填入。

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 顺序交叉(OX) P1: 2 1 ¦ 3 4 5 ¦ 6 7 ¦ 1 2 5 ¦ 列出基因： 6 7 2 1 3 4 5 7 6 4 3 1 2 5 C1: 3 4 ¦ 1 2 5 ¦ 6 7 C2: 1 2 ¦ 3 4 5 ¦ 7 6

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 循环交叉(CX) 步骤： a. 选P1的第一个元素作为C1的第一位，选P2的第 b. 到P1中找P2的第一个元素赋给C1的相对位 置…，重复此过程，直到P2上得到P1的第一个元 素为止，称为一个循环；

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 循环交叉(CX) 步骤： c. 对最前的基因按P1、P2基因轮替原则重复以上 过程； d.重复以上过程，直到所有位都完成。

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 循环交叉(CX) P1: 2 4 5 3 8 9 6 1 7 2 3 6 2 ， 9 4 ， 5 8 ， 7 1 6 C1: 2 9 5 3 8 4 6 7 1 C2: 3 4 8 6 5 9 2 1 7

四.算法变形 遗传操作——交叉或重组 顺序编码交叉 循环交叉(CX ) 与OX的特点不同的是， CX较好的保留了位值 关系、先后关系满足了TSP问题的需要。

作 业 两个父代个体P1和P2如下： P1：［ 6 1 2 8 ｜9 5 4 7｜ 10 3 ］ 作 业 两个父代个体P1和P2如下： P1：［ 6 1 2 8 ｜9 5 4 7｜ 10 3 ］ P2：［ 10 7 4 1 ｜3 6 2 8｜ 5 9 ］ 分别利用PMX、OX和CX产生子代个体C1和C2，要 求给出具体步骤。

四.算法变形 遗传操作——交叉或重组 实数编码交叉 线性重组： 子个体＝父个体1＋α×（父个体2－父个体1）， 其中，α是比例因子，由[-d,1+d]上均匀分布地随 机数产生 d=0时称为中间重组

四.算法变形 遗传操作——变异 二进制编码变异：位变异 顺序编码变异：2-opt 实数编码变异 位值变异：任选一位加Δ，Δ服从均匀分布、指数分布或者正态分布 梯度方向变异

五.算法应用 背包问题 i n个物品，对物品 i，价值为pi ，体积为wi ，背包容量 wi 1 2 3 4 5 6 7 wi 40 50 30 10 pi 60 20 pi /wi 1.2 0.33 0.3 0.5

五.算法应用 背包问题 模型

五.算法应用 背包问题 求解难点：如何处理约束来保持解的可行性 拒绝策略：可行解不易达到时，很难达到一个初始种群 修复策略：将不可行解修复为可行的，但将失去多样性 惩罚策略：设计惩罚函数，但设计不好会掩盖目标函数的优化 下面，我们将分别采用惩罚策略、解码法、顺序编码的方法来解决上述难题

五.算法应用 背包问题 惩罚函数法 将适值函数 标定为 ，其中 是目标函数 令 ，其中 注： 与 是 的两个端点

五.算法应用 背包问题 惩罚函数法 函数式的意义 a. 的作用是使 ，保证 b. 可行也罚，只有当 不罚 c.罚函数法目的是把解拉向边界，尽量装满

五.算法应用 背包问题 解码法——FF Heuristic（优先适合启发式） 解码法是修复程序（修复可行性的方法） 步骤 a. 将选上物品按 pi /wi 降序排列 b. 选前 K个物品，使 例： → 降序排列：2，1，6，5 → →

五.算法应用 背包问题 顺序编码法 步骤 a. 随机产生一个项目顺序 b.按照优先适合启发式来选择项目，即保留项目 顺序的前k位，使

五.算法应用 背包问题 顺序编码法 例：n=7 用顺序( 3 2 5 1 4 6 7 )表示选择物品的顺序，用优先适合启发式保留前k位，使解可行 由于 k=3，(3 2 5) 编码长度是可变的，如何做交叉和变异?

五.算法应用 背包问题 顺序编码法 插入式交叉 a. 在P1上选一个随机的断点 b. 在 P2上随机选一个基因片断插入P1的断点处 c. 去掉 P1上的重复基因 d. 按优先适合启发式得到可行解

五.算法应用 背包问题 顺序编码法 插入式交叉 例： P1 3 2 ¦ 1 5 4 3 2 ¦ 4 6 ¦ 1 5 4 去掉重复基因： 3 2 ¦ 4 6 ¦ 1 5 可行吗？选5时背包装不 下，去掉5，则3 2 4 6 1 P1 3 2 ¦ 1 5 4 3 2 ¦ 4 6 ¦ 1 5 4 P2 1 2 ¦ 4 6 ¦ 3 5 X

五.算法应用 背包问题 顺序编码法 思考： a.变长顺序编码如何进行变异？ b. 二进制编码时，编码空间与解空间的对应关系如何？ c. 变长顺序编码时，编码空间与解空间的对应关系如何？

五.算法应用 最小生成树 问题的提出 难点：对于下面的红色的图形，如何设计一个合适的编码方法？ 1 2 3 4 5 6 7 8 9 10

五.算法应用 最小生成树 传统的编码方法 节点表示法 {(1,2),(2,3),(2,5),(2,6),(4,6)} 无法避免回路 1 2 7 8 9 10

五.算法应用 最小生成树 传统的编码方法 边编码法 {1,2,4,5,10} 无法保证是树，无法保证可行性 3 4 5 6 7 8 9 10 传统编码缺点：麻烦，无法做遗传运算，无法保持合法性

五.算法应用 最小生成树 传统的编码方法 边编码法 {1,2,4,5,10} 无法保证是树，无法保证可行性 3 4 5 6 7 8 9 10 为解决以上问题，人们提出了Prűfer数编码方法

五.算法应用 最小生成树 Prűfer数的定义：用n-2位自然数唯一的表达出一棵n个节点的生成树，其中每个数字在1和n之间，而且交叉变异仍是一棵生成树 叶子：树中度数为1的节点 例： 1，3，4，5 1 2 3 4 5 6

五.算法应用 最小生成树 Prűfer数满足生成树的要求 覆盖所有节点 连通的 没有回路 1 2 3 4 5 6

五.算法应用 最小生成树 编码步骤 a. 设节点i是标号最小的叶子 b. 若i与j相连，令j是编码中的第一个数字 c. 删去边(i , j) d. 转a,直到剩下一条边为止 1 2 3 4 5 6

图解：i=1, ( i , j )=(1,2), j=2; i=3, ( i , j )=(3,2), j=2 编码：（2 2 6 2） 1 2 3 4 5 6 2 4 5 6 2 3 4 5 6 2 5 6 2 6

五.算法应用 最小生成树 解码步骤 a. 令Prűfer数中的节点集为 P ,不包含在 P中的节 点集为 P’ ； b. 若i为P’中最小标号的节点，j为 P上最左边数 字连接边(i , j)，并从P’中去掉i，从 P中去掉j， 若j不再在P中，将j加入P’中 c. 重复b，直到P中没有节点(即为空)，P’中剩下 (s,r) d. 连接(s,r)

图解：P= { 2, 2, 6, 2 } P’= { 1, 3, 4, 5 } (1,2) P= { 2, 6, 2 } P’= { 3, 4, 5 } (3,2) P= { 6, 2 } P’= { 4, 5 } (4,6) P= { 2 } P’= { 5, 6 } (5,2) P= { Ф } P’= { 6, 2 } (6,2) 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6 1 2 3 4 5 6

五.算法应用 最小生成树 最小生成树的的优点 对于一个n个节点的Prűfer数的个数为 ， 生成树的个数也是 最小生成树实现了解空间和编码空间的一一对应，交叉变异不破坏合法性 一个好的编码方法对遗传算法至关重要

作 业 2 3 1 5 4 6 7 对上图中的生成树进行编码，要求给出完整编码过程

作 业 2 3 1 5 4 6 7 P= { 6, 3, 2, 4, 4 } P’= { 1, 5, 7 } 对上面的Prűfer数编码进行解码，要求给出完整的解码过程

六.学习遗传算法的几点体会 编码是成功的关键(如最小树问题) 最好能使编码空间与解空间一一对应 减少编码冗余，编码应尽可能短 便于遗传运算——有利于保持合法性、可行性；实在没有办法保持，要设计合理的修复程序，尽可能保持父辈的特征。

六.学习遗传算法的几点体会 遗传算子的设计有最大的创新空间 选择压力的调整使多样性和收敛性得到合适的分配。开始时多样性重要，重广域搜索；刚要结束时收敛性重要，重局域搜索。 调整方法：适值函数的构造；合适的标定方法

六.学习遗传算法的几点体会 在GA的研究中我们要做一些什么 扩大GA的应用, GA应用面广，适应性最好 算法改进方向的研究 理论研究 算法开发中的几个技术(见下页)

六.学习遗传算法的几点体会 参数整定：经验加反复试验(Tuning) 如：Pc，Pm，NG，NP几种参数的选定 判断好坏算法的办法： ⑴ 快 ⑴ 快 ⑵ 能解的问题大 ⑶ 达优率高，大问题50%的达优率

六.学习遗传算法的几点体会 算例的选择： ⑴ 自己编的——没有说服力，但可以解释算法 ⑵ 随机产生的——适合没有前例的例子 ⑴ 自己编的——没有说服力，但可以解释算法 ⑵ 随机产生的——适合没有前例的例子 ⑶ 文献的例子——面较大 ⑷ 网上的例子——典型问题QAP,TSP