遗传算法的基本原理ppt课件

在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 遗传算法简称遗传算法简称GAGA（Genetic AlgorithmsGenetic Algorithms）是）是19621962年由美国年由美国MichiganMichigan大学的大学的HollandHolland教授提教授提出的模拟自然界遗传机制和生物进化论而成的出的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索最优化方法。一种并行随机搜索最优化方法。遗传算法是以达尔文的自然选择学说为基础遗传算法是以达尔文的自然选择学说为基础发展起来的。自然选择学说包括以下三个方面：发展起来的。自然选择学说包括以下三个方面：在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（1 1）遗传：这是生物的普遍特征，亲代把生物信息交）遗传：这是生物的普遍特征，亲代把生物信息交给子代，子代总是和亲代具有相同或相似的性状。生给子代，子代总是和亲代具有相同或相似的性状。生物有了这个特征，物种才能稳定存在。物有了这个特征，物种才能稳定存在。（2 2）变异：亲代和子代之间以及子代的不同个体之间）变异：亲代和子代之间以及子代的不同个体之间的差异，称为变异。变异是随机发生的，变异的选择的差异，称为变异。变异是随机发生的，变异的选择和积累是生命多样性的根源。和积累是生命多样性的根源。（3 3）生存斗争和适者生存：具有适应性变异的个体被）生存斗争和适者生存：具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过一保留下来，不具有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性状逐渐逐渐与祖先有代代的生存环境的选择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种。所不同，演变为新的物种。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 遗传算法将遗传算法将“优胜劣汰，适者生存优胜劣汰，适者生存”的生物的生物进化原理引入优化参数形成的编码串联群体中，进化原理引入优化参数形成的编码串联群体中，按所选择的适应度函数并通过遗传中的复制、按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，使适适应度高的交叉及变异对个体进行筛选，使适适应度高的个体被保留下来，组成新的群体，新的群体既个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周继承了上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，直到满而复始，群体中个体适应度不断提高，直到满足一定的条件。遗传算法的算法简单，可并行足一定的条件。遗传算法的算法简单，可并行处理，并能到全局最优解。处理，并能到全局最优解。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确遗传算法的基本操作为：遗传算法的基本操作为：（1 1）复制（）复制（Reproduction OperatorReproduction Operator）复制是从一个旧种群中选择生命力强的个体位复制是从一个旧种群中选择生命力强的个体位串产生新种群的过程。具有高适应度的位串更有串产生新种群的过程。具有高适应度的位串更有可能在下一代中产生一个或多个子孙。可能在下一代中产生一个或多个子孙。复制操作可以通过随机方法来实现。首先产生复制操作可以通过随机方法来实现。首先产生0101之间均匀分布的随机数，若某串的复制概率之间均匀分布的随机数，若某串的复制概率为为40%40%，则当产生的随机数在，则当产生的随机数在0.401.00.401.0之间时，之间时，该串被复制，否则被淘汰。该串被复制，否则被淘汰。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（2 2）交叉（）交叉（Crossover OperatorCrossover Operator）复制操作能从旧种群中选择出优秀者，但不复制操作能从旧种群中选择出优秀者，但不能创造新的染色体。而交叉模拟了生物进化过能创造新的染色体。而交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种。来产生新的优良品种。交叉的过程为：在匹配池中任选两个染色体，交叉的过程为：在匹配池中任选两个染色体，随机选择一点或多点交换点位置；交换双亲染随机选择一点或多点交换点位置；交换双亲染色体交换点右边的部分，即可得到两个新的染色体交换点右边的部分，即可得到两个新的染色体数字串。色体数字串。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 交交叉叉体现了自然界中信息交换的思想。交叉体现了自然界中信息交换的思想。交叉有一点交叉、多点交叉、还有一致交叉、顺序有一点交叉、多点交叉、还有一致交叉、顺序交叉和周期交叉。一点交叉是最基本的方法，交叉和周期交叉。一点交叉是最基本的方法，应用较广。它是指染色体切断点有一处，例：应用较广。它是指染色体切断点有一处，例：0101 0110011110 101100:A1110 0010100101 001010:B在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（3 3）变异）变异(Mutation Operator)(Mutation Operator)变异运算用来模拟生物在自然的遗传环境变异运算用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因（表示染色体的小的概率随机地改变遗传基因（表示染色体的符号串的某一位）的值。在染色体以二进制编符号串的某一位）的值。在染色体以二进制编码的系统中，它随机地将染色体的某一个基因码的系统中，它随机地将染色体的某一个基因由由1 1变为变为0 0，或由，或由0 0变为变为1 1。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 若只有选择和交叉，而没有变异，则无法若只有选择和交叉，而没有变异，则无法在初始基因组合以外的空间进行搜索，使进在初始基因组合以外的空间进行搜索，使进化过程在早期就陷入局部解而进入终止过程，化过程在早期就陷入局部解而进入终止过程，从而影响解的质量。为了在尽可能大的空间从而影响解的质量。为了在尽可能大的空间中获得质量较高的优化解，必须采用变异操中获得质量较高的优化解，必须采用变异操作。作。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确10.2 10.2 遗传算法的特点遗传算法的特点（1 1）遗传算法是对参数的编码进行操作，而非）遗传算法是对参数的编码进行操作，而非对参数本身，这就是使得我们在优化计算过程对参数本身，这就是使得我们在优化计算过程中可以借鉴生物学中染色体和基因等概念，模中可以借鉴生物学中染色体和基因等概念，模仿自然界中生物的遗传和进化等机理；仿自然界中生物的遗传和进化等机理；（2 2）遗传算法同时使用多个搜索点的搜索信息。）遗传算法同时使用多个搜索点的搜索信息。传统的优化方法往往是从解空间的单个初始点传统的优化方法往往是从解空间的单个初始点开始最优解的迭代搜索过程，单个搜索点所提开始最优解的迭代搜索过程，单个搜索点所提供的信息不多，搜索效率不高，有时甚至使搜供的信息不多，搜索效率不高，有时甚至使搜索过程局限于局部最优解而停滞不前。索过程局限于局部最优解而停滞不前。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 遗传算法从由很多个体组成的一个初始群体遗传算法从由很多个体组成的一个初始群体开始最优解的搜索过程，而不是从一个单一的开始最优解的搜索过程，而不是从一个单一的个体开始搜索，这是遗传算法所特有的一种隐个体开始搜索，这是遗传算法所特有的一种隐含并行性，因此遗传算法的搜索效率较高。含并行性，因此遗传算法的搜索效率较高。（3 3）遗传算法直接以目标函数作为搜索信息。）遗传算法直接以目标函数作为搜索信息。传统的优化算法不仅需要利用目标函数值，而传统的优化算法不仅需要利用目标函数值，而且需要目标函数的导数值等辅助信息才能确定且需要目标函数的导数值等辅助信息才能确定搜索方向。而遗传算法仅使用由目标函数值变搜索方向。而遗传算法仅使用由目标函数值变换来的适应度函数值，就可以确定进一步的搜换来的适应度函数值，就可以确定进一步的搜索方向和搜索范围，无需目标函数的导数值等索方向和搜索范围，无需目标函数的导数值等其他一些辅助信息。其他一些辅助信息。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 遗传算法可应用于目标函数无法求导数或遗传算法可应用于目标函数无法求导数或导数不存在的函数的优化问题，以及组合优化导数不存在的函数的优化问题，以及组合优化问题等。问题等。（4 4）遗传算法使用概率搜索技术。遗传算法）遗传算法使用概率搜索技术。遗传算法的选择、交叉、变异等运算都是以一种概率的的选择、交叉、变异等运算都是以一种概率的方式来进行的，因而遗传算法的搜索过程具有方式来进行的，因而遗传算法的搜索过程具有很好的灵活性。随着进化过程的进行，遗传算很好的灵活性。随着进化过程的进行，遗传算法新的群体会更多地产生出许多新的优良的个法新的群体会更多地产生出许多新的优良的个体。体。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（5 5）遗传算法在解空间进行高效启发式搜索，）遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索；而非盲目地穷举或完全随机搜索；（6 6）遗传算法对于待寻优的函数基本无限制，）遗传算法对于待寻优的函数基本无限制，它既不要求函数连续，也不要求函数可微，既它既不要求函数连续，也不要求函数可微，既可以是数学解析式所表示的显函数，又可以是可以是数学解析式所表示的显函数，又可以是映射矩阵甚至是神经网络的隐函数，因而应用映射矩阵甚至是神经网络的隐函数，因而应用范围较广；范围较广；（7）遗传算法具有并行计算的特点，因而可通）遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度，适合大规过大规模并行计算来提高计算速度，适合大规模复杂问题的优化。模复杂问题的优化。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确10.3 10.3 遗传算法的应用领域遗传算法的应用领域（1 1）函数优化。）函数优化。函数优化是遗传算法的经典应用领域，也是函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例。尤其是对遗传算法进行性能评价的常用算例。尤其是对非线性、多模型、多目标的函数优化问题，采非线性、多模型、多目标的函数优化问题，采用其他优化方法较难求解，而遗传算法却可以用其他优化方法较难求解，而遗传算法却可以得到较好的结果。得到较好的结果。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（2 2）组合优化。）组合优化。随着问题的增大，组合优化问题的搜索空间随着问题的增大，组合优化问题的搜索空间也急剧扩大，采用传统的优化方法很难得到最也急剧扩大，采用传统的优化方法很难得到最优解。遗传算法是寻求这种满意解的最佳工具。优解。遗传算法是寻求这种满意解的最佳工具。例如，遗传算法已经在求解旅行商问题、背包例如，遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成问题、装箱问题、图形划分问题等方面得到成功的应用。功的应用。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（3 3）生产调度问题）生产调度问题 在很多情况下，采用建立数学模型的方法难在很多情况下，采用建立数学模型的方法难以对生产调度问题进行精确求解。在现实生产以对生产调度问题进行精确求解。在现实生产中多采用一些经验进行调度。遗传算法是解决中多采用一些经验进行调度。遗传算法是解决复杂调度问题的有效工具，在单件生产车间调复杂调度问题的有效工具，在单件生产车间调度、流水线生产车间调度、生产规划、任务分度、流水线生产车间调度、生产规划、任务分配等方面遗传算法都得到了有效的应用。配等方面遗传算法都得到了有效的应用。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（4 4）自动控制。）自动控制。在自动控制领域中有很多与优化相关的问题在自动控制领域中有很多与优化相关的问题需要求解，遗传算法已经在其中得到了初步的需要求解，遗传算法已经在其中得到了初步的应用。例如，利用遗传算法进行控制器参数的应用。例如，利用遗传算法进行控制器参数的优化、基于遗传算法的模糊控制规则的学习、优化、基于遗传算法的模糊控制规则的学习、基于遗传算法的参数辨识、基于遗传算法的神基于遗传算法的参数辨识、基于遗传算法的神经网络结构的优化和权值学习等。经网络结构的优化和权值学习等。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（5 5）机器人）机器人 例如，遗传算法已经在移动机器人路径规划、例如，遗传算法已经在移动机器人路径规划、关节机器人运动轨迹规划、机器人结构优化和行关节机器人运动轨迹规划、机器人结构优化和行为协调等方面得到研究和应用。为协调等方面得到研究和应用。（6 6）图像处理）图像处理 遗传算法可用于图像处理过程中的扫描、特遗传算法可用于图像处理过程中的扫描、特征提取、图像分割等的优化计算。目前遗传算法征提取、图像分割等的优化计算。目前遗传算法已经在模式识别、图像恢复、图像边缘特征提取已经在模式识别、图像恢复、图像边缘特征提取等方面得到了应用。等方面得到了应用。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确001011011001110010 x在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确以上操作过程可以用图以上操作过程可以用图10-1来表示。来表示。图图10-1 遗传算法流程图遗传算法流程图 在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确)2,1(048.2048.2)1()(100),(212221212ixxxxxxfi在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确1101110001 0000110111:x在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确)2,1(048.21023096.4iyxii1101110001 0000110111:x在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确476.1,828.121xx881,5521yy),()(21xxfxF在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确)(1)(xFxJ在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 BestS2.0480 2.0480 21,xx在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确10.5.2 10.5.2 实数编码遗传算法求函数极大值实数编码遗传算法求函数极大值求解该问题遗传算法的构造过程：求解该问题遗传算法的构造过程：（1 1）确定决策变量和约束条件；）确定决策变量和约束条件；（2 2）建立优化模型；）建立优化模型；（3 3）确定编码方法：用）确定编码方法：用2 2个实数分别表示两个个实数分别表示两个决策变量，分别将的定义域离散化为从离散点决策变量，分别将的定义域离散化为从离散点-2.0482.048到离散点到离散点2.048的的SizeSize个实数。个实数。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（4 4）确定个体评价方法：）确定个体评价方法：个体的适应度直接取为对应的目标函数值，个体的适应度直接取为对应的目标函数值，即即 选个体适应度的倒数作为目标函数选个体适应度的倒数作为目标函数 ),()(21xxfxF)(1)(xFxJ在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确（5 5）设计遗传算子：）设计遗传算子：选择运算使用比例选择选择运算使用比例选择算子，交叉运算使用单点交叉算子，变异运算算子，交叉运算使用单点交叉算子，变异运算使用基本位变异算子。使用基本位变异算子。（6）确定遗传算法的运行参数：群体大小）确定遗传算法的运行参数：群体大小M=500M=500，终止进化代数，终止进化代数G=200G=200，交叉概率，交叉概率P Pc c=0.90=0.90，采用自适应变异概率，采用自适应变异概率即变异概率与适应度有关，适应度越小，变异即变异概率与适应度有关，适应度越小，变异概率越大。概率越大。0.01/SizeSize:1:1-0.10mP在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 上 述 六 个 步 骤 构 成 了 用 于 求 函 数上 述 六 个 步 骤 构 成 了 用 于 求 函 数RosenbrockRosenbrock极大值的优化计算的实数编码遗传极大值的优化计算的实数编码遗传算法。算法。十进制编码求函数十进制编码求函数RosenbrockRosenbrock极大值。仿极大值。仿真程序见真程序见chap10_2.mchap10_2.m。仿真程序经过仿真程序经过200200步迭代，最佳样本为步迭代，最佳样本为即当即当 ，时，函数具时，函数具有极大值，极大值为有极大值，极大值为3880.33880.3。2.044-2.0438 BestS2.0438 1x2.044 2x在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确10.6.1 遗传算法优化原理遗传算法优化原理 在在7.3节的节的RBF网络逼近算法中，网络权网络逼近算法中，网络权值、高斯函数的中心矢量和基宽向量的初值值、高斯函数的中心矢量和基宽向量的初值难以确定，如果这些参数选择不当，会造成难以确定，如果这些参数选择不当，会造成逼近精度的下降甚至逼近精度的下降甚至RBF网络的发散。采用网络的发散。采用遗传算法可实现遗传算法可实现RBF网络参数的优化。网络参数的优化。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 为获取满意的逼近精度，采用误差绝对值指为获取满意的逼近精度，采用误差绝对值指标作为参数选择的最小目标函数。标作为参数选择的最小目标函数。式中，式中，为逼近的总步骤，为逼近的总步骤，为第为第 步步RBF网络的网络的逼近误差。逼近误差。在应用遗传算法时，为了避免参数选取范围在应用遗传算法时，为了避免参数选取范围过大，可以先按经验选取一组参数，然后再在过大，可以先按经验选取一组参数，然后再在这组参数的周围利用遗传算法进行设计，从而这组参数的周围利用遗传算法进行设计，从而大大减少初始寻优的盲目性，节约计算量。大大减少初始寻优的盲目性，节约计算量。NiieJ1100N iei在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确10.6.2 仿真实例仿真实例 使用使用RBF网络逼近下列对象：网络逼近下列对象：23)1(1)1()()(kykykuky 在在RBF网络中，网络中，网络输入信号为网络输入信号为2个，即个，即和和 ，网络初始权值及高斯函数参数初始值通，网络初始权值及高斯函数参数初始值通过遗传算法优化而得。过遗传算法优化而得。)(ku)(ky在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 遗传算法优化程序为遗传算法优化程序为chap10_3a.m，取逼近，取逼近总步骤为，每一步的逼近误差由总步骤为，每一步的逼近误差由chap10_3b.m求求得。采用二进制编码方式，用长度为得。采用二进制编码方式，用长度为10位的二位的二进制编码串来分别表示向量进制编码串来分别表示向量b b、c c和和w w中的每个中的每个值。值。在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 遗传算法优化中，取样本个数为遗传算法优化中，取样本个数为Size=30，交，交叉概率为叉概率为Pc=0.60，采用自适应变异概率，采用自适应变异概率，即适即适应度越小，变异概率越大，取应度越小，变异概率越大，取变异概率为变异概率为 取用于优化的取用于优化的RBF网络结构为网络结构为2-3-1，网络权，网络权值值wj的取值范围为的取值范围为-1,+1，高斯函数基宽向量，高斯函数基宽向量的取值范围为的取值范围为0.1,3.0，高斯函数中心矢量的取，高斯函数中心矢量的取值范围为值范围为-3,+3。取。取则共有则共有12个参数需要优化。个参数需要优化。0.001/SizeSize:1:10.001mP321232221131211321wwwccccccbbbp在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 经过经过150代遗传算法进化，优化后的结果为：代遗传算法进化，优化后的结果为：p=2.7732，2.6343，2.2630，1.8680，-0.0616，-0.7126，-0.3959，2.2669，-1.4047，-0.3099，0.7478，-0.3353。则则RBF网络高斯基函数参数的初始值及权值网络高斯基函数参数的初始值及权值的初始值为的初始值为:T2630.2,6343.2,7732.2b4047.12669.23959.07126.00616.08680.1cT3353.0,7478.0,3099.0w在整堂课的教学中，刘教师总是让学生带着问题来学习，而问题的设置具有一定的梯度，由浅入深，所提出的问题也很明确 RBF网络遗传算法优化程序包括三部分，网络遗传算法优化程序包括三部分，即遗传算法优化程序即遗传算法优化程序chap10_3a.m、RBF网络网络逼近函数程序逼近函数程序chap10_3b.m和和RBF网络逼近测网络逼近测试程序试程序chap10_3c.m。