Transcript Genetic Algorithm 基因演算法、遺傳演算法

陳錦平








何謂基因演算法?
基因演算法的策略與組成
初始染色體與設計
適應值計算
複製策略
交配策略
突變策略
基因演算法在解決問題的應用

達爾文進化論—適者生存。

物種的進化、強勢個體的續存、適應力強者之續存。

最佳化演算法之一。





基因演算法的組成要件:
1.基因(Gene)
2.染色體(Chromosome)
3.適應函數(Fitness Function)
4.族群(Population)
基因(Gene):變數。
染色體(Chromosome):各種變數的集合，可視為
一個體。
族群(Population):個體的集合。
適應函數(Fitness Function):計算染色體的適應值。


基因演算法的策略:
1.初始染色體(Initialization)
2.適應值計算(Evaluation)
3.複製(Reproduction)
4.交配(Crossover)
5.突變(Mutation)
6.新的染色體(New Chromosomes)
以上整個策略的流程進行一輪稱為一個世代
(Generation)，上一個世代的族群也稱為父代族群。
膚色
瞳孔顏色
[1,100] [1,100]
智力
[1,200]
骨骼
[1,10]
耳朵大小
[1,5]
…
…
Population
….
…
在設計初始染色體族群時需要指定族群大小。


染色體類型:
1.二位元編碼
2.實數編碼
二位元編碼
…

實數編碼
…

需要定義交配率(CrossoverRate)、突變率
(MutationRate)。
…
90
…
88
….
….
…
70



複製策略中需要的幾個步驟:
1.排序
2.由父代中挑選數組較佳的染色體複製到下一世代的族
群中
排序:
將適應值由小到大或由大到小排序，以方便我們挑選出
較佳的染色體。
由父代中挑選數組較佳的染色體複製到下一世代的族群
中:
1.競爭式選擇法 。
2.隨機挑選法。
3.輪盤式選擇法。

1.競爭式選擇法
…
90
…
…
88
…
…
86
…
…
82
…
…
81
…
…
70

2.隨機挑選法
…
90
…
…
88
…
…
86
…
…
82
…
…
81
…
…
70

3.輪盤式選擇法




交配策略中需要的幾個步驟
1.由父代中挑選兩組染色體以進行交配的動作
2.產生一機率值並藉由此數值判斷是否交配
3.交配
3.將交配過後的新染色體放入下一世代的族群中
由父代中挑選兩組染色體以進行交配的動作:
1.競爭式選擇法。
2.隨機選擇法。
3.輪盤式選擇法。
產生一機率值並藉由此數值判斷是否交配:
與交配率進行比較。
交配:
1.單點交配
2.雙點交配
1.單點交配:
以2位元編碼為範例
0
1
0
1
1
1
0
0
0
1
0
0
0
0
1
1
1
0
1
1
實數編碼的作法亦同。

2.雙點交配
以實數編碼為範例
1
26
22
70
51
37
77
86
63
42
1
77
86
70
51
37
26
22
63
42
2位元編碼作法亦同。



突變策略中需要的幾個步驟:
1.由父代中挑選欲進行突變的染色體
2.突變
3.將突變過後的染色體放入下一世代中
由父代中挑選欲進行突變的染色體:
1.競爭式選擇法。
2.隨機選擇法。
3.輪盤式選擇法。
突變:
1.隨機單點突變

隨機單點突變:
1
26
22
70
51
1
26
11
70
51
Population
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R
R



1.MVN-P with tolerant buffer
2.Economic dispatch
3.最適新型流感交通阻絕策略之基因演算法優選與
防疫成本效益分析


Multi-valued Neuron with Periodic activation
function (MVN-P) was proposed for solving
classification problems.
MVN-P is a complex-valued Neuron, having
weights and input/output values located on
the complex plane.


It also projects multi-dimensional instances
to the complex plane.
The projected values are located on a unit
circle and the output value is decided by the
location of the weighted sum.
The MVN architecture.
Geometrical layout of the MVN activation function for k =3


Geometrical layout of the MVN-P activation function for k =3 and L=2


An illustration for MVN-P-C



A sector with its membership function in MVN-P-F.
A sector and its tolerating areas in MVN-P-F.
Training with an instance of large z.
Training with an instance of small z.
The steps in GA.

Initialization


Crossover

Mutation