《机器学习》课程配套教学电子教案（PPT课件讲稿）第9章 遗传算法

机器学习 第9章遗传算法 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 1 机器学习 第9章 遗传算法

概述 遗传算法是一种大致基于模拟进化的学习方法 假设通常被描述为二进制位串,也可以是符号表达式或计算机程 序 搜索合适的假设从若干初始假设的群体或集合开始 当前群体的成员通过模拟生物进化的方式来产生下一代群体,比 如随机变异和交叉 每一步,根据给定的适应度评估当前群体中的假设,而后使用概 率方法选出适应度最高的假设作为产生下一代的种子 遗传算法已被成功用于多种学习任务和最优化问题中,比如学习 机器人控制的规则集和优化人工神经网络的拓扑结构和学习参数 本章主要介绍了基于位串描述假设的遗传算法和基于计算机程序 描述假设的遗传编程 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏 2

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 2 概述 • 遗传算法是一种大致基于模拟进化的学习方法 • 假设通常被描述为二进制位串，也可以是符号表达式或计算机程 序 • 搜索合适的假设从若干初始假设的群体或集合开始 • 当前群体的成员通过模拟生物进化的方式来产生下一代群体，比 如随机变异和交叉 • 每一步，根据给定的适应度评估当前群体中的假设，而后使用概 率方法选出适应度最高的假设作为产生下一代的种子 • 遗传算法已被成功用于多种学习任务和最优化问题中，比如学习 机器人控制的规则集和优化人工神经网络的拓扑结构和学习参数 • 本章主要介绍了基于位串描述假设的遗传算法和基于计算机程序 描述假设的遗传编程

动机 遗传算法(GA)是一种受生物进化启发的学 习方法,它不再是从一般到特殊或从简单到复 杂地搜索假设,而是通过变异和重组当前已知 的最好假设来生成后续的假设 每一步,更新被称为当前群体的一组假设,方 法是使用当前适应度最高的假设的后代替代群 体的某个部分 这个过程形成了假设的生成测试的柱状搜索, 其中若干个最佳当前假设的变体最有可能在下 步被考虑 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 3 动机 • 遗传算法（GA）是一种受生物进化启发的学 习方法，它不再是从一般到特殊或从简单到复 杂地搜索假设，而是通过变异和重组当前已知 的最好假设来生成后续的假设 • 每一步，更新被称为当前群体的一组假设，方 法是使用当前适应度最高的假设的后代替代群 体的某个部分 • 这个过程形成了假设的生成测试的柱状搜索， 其中若干个最佳当前假设的变体最有可能在下 一步被考虑

动机(2) 遗传算法的普及和发展得益于下面的因素 在生物系统中,进化被认为是一种成功的自适应方法,具有 很好的健壮性 遗传算法搜索的假设空间中,假设的各个部分相互作用,每 一部分对总的假设适应度的影响难以建模 遗传算法易于并行化 本章内容安排 描述了遗传算法,举例演示了它的用法,分析了它搜索的空 间的特性 描述了遗传算法的一个变体:遗传编程,这个方法中,整个 计算机程序向着某个适应度准则进化 介绍了一些有关生物进化的课题(遗传算法和遗传编程是进 化计算领域中的两种普遍方法),比如鲍德温效应,它描述 了个体的学习能力与整个群体进化速度之间的相互作用 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 4 动机（2） • 遗传算法的普及和发展得益于下面的因素 – 在生物系统中，进化被认为是一种成功的自适应方法，具有 很好的健壮性 – 遗传算法搜索的假设空间中，假设的各个部分相互作用，每 一部分对总的假设适应度的影响难以建模 – 遗传算法易于并行化 • 本章内容安排 – 描述了遗传算法，举例演示了它的用法，分析了它搜索的空 间的特性 – 描述了遗传算法的一个变体：遗传编程，这个方法中，整个 计算机程序向着某个适应度准则进化 – 介绍了一些有关生物进化的课题（遗传算法和遗传编程是进 化计算领域中的两种普遍方法），比如鲍德温效应，它描述 了个体的学习能力与整个群体进化速度之间的相互作用

遗传算法 遗传算法研究的问题是搜索候选假设空间并确 定最佳假设 最佳假设被定义为使适应度最优的假设 适应度是为当前问题预先定义的数字度量,比如 如果学习任务是在给定一个未知函数的输入输出训练样例 后逼近这个函数,适应度可被定义为假设在训练数据上的 精度 如果是学习下国际象棋的策略,适应度可被定义为该个体 在当前群体中与其他个体对弈的获胜率 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 5 遗传算法 • 遗传算法研究的问题是搜索候选假设空间并确 定最佳假设 • 最佳假设被定义为使适应度最优的假设 – 适应度是为当前问题预先定义的数字度量，比如： • 如果学习任务是在给定一个未知函数的输入输出训练样例 后逼近这个函数，适应度可被定义为假设在训练数据上的 精度 • 如果是学习下国际象棋的策略，适应度可被定义为该个体 在当前群体中与其他个体对弈的获胜率

遗传算法(2) 遗传算法具有以下的共同结构: 算法迭代更新一个假设池,这个假设池称为 群体 在每一次迭代中,根据适应度评估群体中的 所有成员,然后用概率方法选取适应度最高 的个体产生新一代群体 在被选中的个体中,一部分保持原样地进入 下一代群体,其他被用作产生后代个体的基 础,其中应用交叉和变异这样的遗传方法 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 6 遗传算法（2） • 遗传算法具有以下的共同结构： – 算法迭代更新一个假设池，这个假设池称为 群体 – 在每一次迭代中，根据适应度评估群体中的 所有成员，然后用概率方法选取适应度最高 的个体产生新一代群体 – 在被选中的个体中，一部分保持原样地进入 下一代群体，其他被用作产生后代个体的基 础，其中应用交叉和变异这样的遗传方法

表9-1遗传算法原型 GA(Fitness, Fitness threshold, p, r, m) Fitness:适应度评分函数 Fitness threshold:指定终止判据的阈值 p:群体中包含的假设数量 r:每一步中通过交叉取代群体成员的比例 m:变异率 初始化群体:P,应用交叉算 子产生两个后代,把所有的后代加入PS 变异:使用均匀的概率从PS中选择m%的成员,应用变异算子 更新:P<PS 评估:对于P中每个h计算 Fitness(h) 从P中返回适应度最高的假设 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 7 表9-1 遗传算法原型 • GA(Fitness, Fitness_threshold, p, r, m) Fitness：适应度评分函数 Fitness_threshold：指定终止判据的阈值 p：群体中包含的假设数量 r：每一步中通过交叉取代群体成员的比例 m：变异率 – 初始化群体：P随机产生的p个假设 – 评估：对于P中每个假设h，计算Fitness(h) – 当 ，应用交叉算 子产生两个后代，把所有的后代加入PS • 变异：使用均匀的概率从PS中选择m%的成员，应用变异算子 • 更新：PPS • 评估：对于P中每个h计算Fitness(h) – 从P中返回适应度最高的假设 = = p j j i i Fitness h Fitness h h 1 ( ) ( ) Pr( ) max Fitness(h) h

遗传算法(3) 算法的每一次迭代以3种方式产生新一代 群体 直接从当前群体中选择 在选中的个体中进行交叉操作 在新群体上进行变异操作 遗传算法执行一种随机的、并行柱状的 搜索,根据适应度函数发现好的假设 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 8 遗传算法（3） • 算法的每一次迭代以3种方式产生新一代 群体 – 直接从当前群体中选择 – 在选中的个体中进行交叉操作 – 在新群体上进行变异操作 • 遗传算法执行一种随机的、并行柱状的 搜索，根据适应度函数发现好的假设

表示假设 遗传算法中的假设常常被表示成二进制位串,这便于 用变异和交叉遗传算子来操作 把 if-then规则编码成位串 首先使用位串描述单个属性的值约束 比如考虑属性 Outlook,它的值可以取以下3个中的任一个 Sunny、 Overcast、Rain,因此一个明显的方法是使用一个长度为 3的位串,每位对应一个可能值,若某位为1,表示这个属性可以 取对应的值 多个属性约束的合取可以很容易地表示为对应位串的连接 整个规则表示可以通过把描述规则前件和后件的位串连接起 来 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 9 表示假设 • 遗传算法中的假设常常被表示成二进制位串，这便于 用变异和交叉遗传算子来操作 • 把if-then规则编码成位串 – 首先使用位串描述单个属性的值约束 • 比如考虑属性Outlook，它的值可以取以下3个中的任一个： Sunny、Overcast、Rain，因此一个明显的方法是使用一个长度为 3的位串，每位对应一个可能值，若某位为1，表示这个属性可以 取对应的值 – 多个属性约束的合取可以很容易地表示为对应位串的连接 – 整个规则表示可以通过把描述规则前件和后件的位串连接起 来

表示假设(2) ·位串的特点 表示规则的位串对假设空间中的每个属性有一个子 串,即使该属性不被规则的前件约束。 得到一个固定长度的规则位串表示,其中特定位置 的子串描述对应特定属性的约東 规则集的表示:单个规则的位串表示连接起来 有必要让每个句法合法的位串表示一个有意义 的假设 假设也可以用符号描述来表示,而不是位串, 匕如计算机程序 2003.12.18 机器学习-遗传算法作者: Mitchell译者:曾华军等讲者:陶晓鹏

2003.12.18 机器学习-遗传算法作者：Mitchell 译者：曾华军等讲者：陶晓鹏 10 表示假设（2） • 位串的特点 – 表示规则的位串对假设空间中的每个属性有一个子 串，即使该属性不被规则的前件约束。 – 得到一个固定长度的规则位串表示，其中特定位置 的子串描述对应特定属性的约束 • 规则集的表示：单个规则的位串表示连接起来 • 有必要让每个句法合法的位串表示一个有意义 的假设 • 假设也可以用符号描述来表示，而不是位串， 比如计算机程序