遺傳規(guī)律及伴性遺傳經(jīng)典整理(教師版-含答案)

遺傳算法編碼及算子簡介遺傳算法主要是通過遺傳操作對群體中具有某種結(jié)構(gòu)形式的個體施加結(jié)構(gòu)重組處理，從而不斷地搜索出群體中個體間的結(jié)構(gòu)相似性，形成并優(yōu)化積木塊以逐漸逼近最優(yōu)解。由此可見，必須把群體中的個體轉(zhuǎn)化成按一定基因結(jié)構(gòu)組成的染色體或個體，即編碼。編碼原則包括兩條：1.有積極積木塊編碼規(guī)則，即所定編碼應(yīng)當(dāng)易于生成所求問題相關(guān)的短距和低階的積木塊。 2.最小字符集編碼規(guī)則，即所定編碼應(yīng)用最小字符集以使問題得到自然的表示或描述。規(guī)則一是基于模式定理和積木塊假設(shè)；規(guī)則二提供了一種更為實用的編碼規(guī)則。評估編碼策略常采用的規(guī)范有： 1.完備性：問題空間中的所有點都能作為GA空間的點表現(xiàn)。 2.健全性：GA空間中的染色體能對應(yīng)所有問題空間中的候選解。 3.非冗余性：染色體和候選解一一對應(yīng)。這些評估規(guī)范是獨立于問題領(lǐng)域的普遍準(zhǔn)則。對某個具體的應(yīng)用領(lǐng)域而言，應(yīng)該客觀化地比較和評估該問題領(lǐng)域中所用的編碼方法。應(yīng)用遺傳算法進行優(yōu)化，首先將問題描述成串的形式，以模擬染色體。選擇何種編碼方式對算法的運行有很大的影響?，F(xiàn)在，流行的觀點認(rèn)為二進制編碼能在相同的范圍內(nèi)表示最多的模式，能充分地體現(xiàn)所謂的隱含并行性。但是，二進制編碼方式的精度依賴于染色體的基因位數(shù)及設(shè)計變量的范圍。因而對于高精度、多變量問題，n值需很大，降低遺傳算法的收斂速度。另外，二進制編碼不直接反映真實的設(shè)計空間。其它的編碼方式還有：格雷碼編碼、浮點編碼、樹結(jié)構(gòu)編碼 、參數(shù)動態(tài)編碼和多維編碼等。 遺傳算法主要有選擇、交叉和突變算子 選擇算子 遺傳算法使用選擇算子或稱復(fù)制算子來對種群中的個體進行優(yōu)勝劣汰操作：選擇算子使適 應(yīng)性高的個體在后代中生存的概率較大，而適應(yīng)度低的個體生存的概率很小甚至被淘汰。遺傳算法中的選擇操作就是來確定如何從父代群體中按某種方法選取那些個體以傳到下一 代群體的一種遺傳算法。選擇操作是建立在群體中個體的適應(yīng)度評價基礎(chǔ)上的。選擇操作的主要目的是為了避免基 因缺失、提高全局收斂性和計算效率。在遺傳算法中級很重要的作用。 選擇操作有多種方法，最常用的是輪盤賭法。在具體使用中，應(yīng)根據(jù)問題求解的特點采用合適的方法或者混合使用。下面簡單介紹各種選擇算法：(1) 比例選擇算法 基本思想是：各個個體被選中的概率與其適應(yīng)度大小成正比，即適應(yīng)度越高的個體被選中的概率也越大，反之則小。 (2) 最優(yōu)選擇算法 在遺傳算法的運行過程中，通過對個體進行交叉、變異等遺傳操作而不斷地產(chǎn)出新的個體 。雖然隨著群體的進化過程會產(chǎn)出越來越多的優(yōu)良個體，但由于選擇、交叉、變異等遺傳 操作的隨機性，它們也有可能破壞掉當(dāng)前群體中適應(yīng)度最好的個體。由于隨機操作的原因 ，這種選擇方法的誤差比較大，有時甚至連適應(yīng)度較高的個體也選擇不上，由此會降低群體的平均適應(yīng)度，對算法的運行效率、收斂性都有不利的影響。一般說來，適應(yīng)度最好的個體要盡可能地保留到下一代群體中。為此可以使用最優(yōu)保留策略進化模型，即當(dāng)前群體中適應(yīng)度最高的個體不參與交叉運算和變異運算，而是用它來替換掉本代群體中經(jīng)過交叉、變異等操作后所產(chǎn)生的是硬度最低的個體。最有選擇算法的具體步驟是： 1.找出當(dāng)前群體中適應(yīng)度最高的個體和適應(yīng)度最低的個體。 2.若當(dāng)前群體中最佳個體的適應(yīng)度比總的迄今為止最好的個體的適應(yīng)度還高，則以當(dāng) 前群體中的最佳個體為新的迄今為止的最好個體。 3.用迄今為止的最好個體替換掉當(dāng)前群體中的最差個體。 該方法可確保迄今為止所得到的最優(yōu)個體不會被交叉、變異等遺傳操作所破壞，它是遺傳算法收斂性的一個重要條件。但另一方面，它也容易使得某個局部最優(yōu)個體不易被淘汰掉反而快速擴散，導(dǎo)致算法的全局搜索能力下降。當(dāng)然，該算法可以推廣到在每一代的進化過程中保留多個最優(yōu)個體不參加交叉、變異等遺傳運算，而直接講它們選擇到下一代群體中。 (3) 確定式選擇算法 它是按照一種確定的方式來進行選擇操作。 (4)期望值選擇算法 根據(jù)每個個體在下一代群體中的生存期望值來進行隨機選擇運算。 (5)無回放余數(shù)隨機選擇算法 (6)排序選擇算法 主要思想是：對群體中的所有個體按期適應(yīng)度大小進行排序，基于這個排序來分配各個個體被選中的概率。算法步驟為： 1. 對群體中的所有個體按其適應(yīng)度的大小進行降序排序。 2. 根據(jù)具體求解問題設(shè)計一個概率分配表，將各個概率值按上述排列次序分配給各個 個體。 3. 以各個個體所分配到的概率值作為其能夠遺傳到下一代的概率，基于這些概率值用比例選擇的方法來產(chǎn)生下一代群體。該方法的實施必須根據(jù)對所研究問題的分析和理解情況預(yù)先設(shè)計一個概率分配表，這個設(shè)計過午一定規(guī)律可言。而且，雖然依據(jù)個體適應(yīng)度之間的大小次序給各個個體分配了一個選擇概率，但由于具體選擇方法，所以排序選擇方法仍具有較大的選擇誤差。 (7)隨機聯(lián)賽選擇算法 它是一種基于個體適應(yīng)度之間大小關(guān)系的選擇算法。其基本思路是每次選取集各個體重適 應(yīng)度最高的一個個體遺傳到下一代群體中。在聯(lián)賽選擇操作中，只有個體適應(yīng)度之間的大小比較運算，而無個體適應(yīng)度之間的算術(shù)運算。聯(lián)賽選擇中，每次進行適應(yīng)度大小比較的個體數(shù)目稱為聯(lián)賽規(guī)模。 交叉算子 所謂交叉是指把兩個父代個體的部分結(jié)構(gòu)加以替換生成新個體的操作。這可以提高搜索力。 在交叉運算之前還必須對群體中的個體進行配對。目前常用的配對策略是隨機配對，即將群體中的個體以隨機方式兩兩配對，交叉操作是在配對個體之間進行的。 交叉算子主要有：一點交叉（不易破壞好的模型），雙點交叉，多點交叉（又稱廣義交叉 ，一般不使用，隨著交叉點的增多，個體結(jié)構(gòu)被破壞的可能性逐漸增大，影響算法的性能），均勻交叉，算術(shù)交叉等。目前各種交叉操作形式上的區(qū)別是交叉位置的選取方式。下面簡單介紹幾種交叉方法。 （1）單點交叉 隨機選取個體中的某基因位，從此位開始交換兩親本的后面部分序列，以產(chǎn)生兩個子代。 （2）兩點交叉 隨機選取個體中的兩個基因位，交換兩親本間部分。 （3）OX交叉 隨機選擇兩個點，親本在兩個點間的部分被復(fù)制下來作為子代的一部分。子代的余下部分從對應(yīng)親本染色體的其余部分中，先選出第二個交叉點開始到它的最后一個基因位的基因按先后次序添入，然后再繼續(xù)按次序取該染色體的第一基因位到第二交叉點的基因依次添入，其中跳過子代染色體中已含有的基因。此種方法能充分保留親本代基因的相對次序。 (4)PX交叉 隨機地選取幾個位置，子代染色體的這些位置繼承第一親本的相應(yīng)位置，子代染色體的其余位置按第二親本中出現(xiàn)的次序添入，并跳過已含有的基因。此種方法保留有親本的絕對位置信息。變異算子在生物的遺傳和自然進化過程中，因為某些偶然的因素而導(dǎo)致生物的某些基因發(fā)生變異，從而產(chǎn)生出新的染色體，表現(xiàn)出新的生物性狀。模仿生物遺傳和進化過程中的變異環(huán)節(jié)，在遺傳算法中也引入了變異算子來產(chǎn)生新的個體。變異運算就是將個體染色體編碼串中的某些基因用其它的基因來替換。它是遺傳算法中不可缺少的部分。目的就是改善遺傳算法的局部搜索能力，維持群體的多樣性，防止出現(xiàn)早熟現(xiàn)象。設(shè)計變異算子需要確定變異點的位置和基因值的替換，最常用的是基本位變異，它只改變編碼串中個別位的基因值，變異發(fā)生的概率也小，發(fā)揮作用比較慢，效果不明顯。變異算子主要有：均勻變異，它特別適于算法的初期階段，增加群體的多樣性；非均勻變異，隨著算法的運行，它使得搜索過程更加集中在某一個重點區(qū)域中；邊界變異，適用于最優(yōu)點位于或接近于可行解邊界的問題；高斯變異，改進了算法對重點搜索區(qū)域的局部搜索性能。 算子的改進和新算子不斷涌現(xiàn)。倒位操作，在染色體中選擇兩個倒位點，兩點間的基因倒換位置。利用倒位作用的遺傳算法能發(fā)現(xiàn)并助長有用基因的緊密形式。二倍體與顯性操作，二倍體具有記憶能力，能解決動態(tài)環(huán)境下的復(fù)雜系統(tǒng)優(yōu)化問題。顯性操作具有魯棒性，有利于提高算子的運算效率，維護好的搜索群體。針對不同的問題，人們研究出各種算子，不斷的進行推廣。遺傳算法以個體的集合為運算對象，對個體所進行的各種操作都有一定的相互獨立性，所以它具有一種天然的并行結(jié)構(gòu)。對基本遺傳算法的運行過程，為實現(xiàn)并行化，可以從個體適應(yīng)度評價、整個群體中各個個體適應(yīng)度評價、子代群體產(chǎn)生過程、群體分組幾方面考慮。實現(xiàn)的方法可分為兩類：標(biāo)準(zhǔn)型并行方法