遗传算法及在化工等相关领域中应用.pptVIP

遗传算法及其在化工等相关领域中的应用 遗传算法的基本含义，遗传算法中的基本概念 ，遗传算法的基本步骤 ； 遗传算法的数学原理 ； 遗传算法在化工等相关领域中的应用； 遗传算法面临的问题； 遗传算法的展望。 遗传算法的基本含义 遗传算法（genetic algorithms, GAs） 60年代初由John Holland［1］开创，可以说是对达尔文进化论公式化的表达。 遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法。它是由复制、杂交和变异三个算子组成的。 遗传算法的基本概念 适应值（fitness） 复制算子（replication operator） 杂交算子（crossover operator） 变异算子（mutation operator） 适应值（fitness） 适应值反映该个体在群体中的适应程度，即它在群体中能否比其它个体更具生存能力。 它可以是被优化函数的函数值，也可是某回归方程计算值与实验值之间的误差，或是其它自定义的标准。 对一个化工过程，它可以是该过程的产率大小，或是该过程的生产成本。 复制算子（replication operator） 它是从旧代中以一定概率选择个体到新代中的方法，一般是用赌盘选择法： 将群体中所有串的适应值相加求和； 产生一个在0与总和之间的随机数m ； 从群体中编号为1的串开始，使其适应值与后继串的适应值相加，直到累加和等于或大于m，此时的串即为选择复制到新代的个体。 杂交算子（crossover operator） 杂交是两个串互相交换某一对应段中的对应位的值的操作。杂交是遗传算法中一个至关重要的概念。因为杂交能产生适应值更高的新个体，使搜索进入更高一层。 一般常见的交叉方式有：单点交叉，双点交叉，均匀交叉。 变异算子（mutation operator） 变异是对串中某些位进行求反的操作。如第3位变异得串对二进制来说就是简单地将1变为0和0变为1的操作。 要的变异方式有： 等位基因突变(Simple Mutation)； 均匀突变(Uniform Mutation)； 非均匀突变(Non-Uniform Mutation)。 遗传算法的基本步骤 经典的遗传算法的主要步骤是： （1）随机地产生一个由确定长度串组成的初始群体。 （2）对串群体执行下面①、②的迭代过程，直到满足停止准则。①计算群体中每个个体的适应值；②由复制、杂交和变异算子产生下一代群体。 （3）从最终代群体中选出最好个体作为遗传算法的搜索结果 。 遗传算法的数学原理 遗传算法的数学原理主要由模式定理和基因块假设构成。 模式定理认为，某些适应值在群体平均适应值以上的串，在遗传迭代中将按指数增长率被采用。它具体体现遗传算法的复制算子，复制通过使高适应值个体以较高概率出现在新群体中，使群体的平均适应值得到改善。 基因块假设是指，高适应值的某些串能结合形成更好的串，它体现了杂交的基本思想。复制本身不能提高个体的适应值，而杂交可以通过提高个体的适应值使搜索进入更高一层。 遗传算法在化工等相关领域中的应用 多目标优化问题； 分离系统与换热网络同步优化； 复杂非线性公用工程系统的遗传算法最优设计； 化工故障诊断中基于遗传算法优化的 SOM 网络； 应用遗传算法实现精馏分离序列优化综合。 　 其它应用 电力系统中求解配电系统最优网络重构问题； 机器人的优化控制； 计算机辅助设计和计算机辅助教学； 金融系统中网络规划的优化； 社会科学中的应用。 遗传算法面临的问题 事物都是一分为二的 ，GA 也不是完美无缺的 ，它也存在一些不足： GA 群体太小、 编码方式、 交叉率及变异率的选择需进一步研究； GA 的收敛性证明比较困难； 对 GA 的高级算子缺乏开创性研究 ，对控制参数的选择缺乏指导。 遗传算法的展望 GA 是一种非常实用的并行优化算法 ，这是与传统算法最大区别 ，在很多领域都取得了成功，有了比较完整的理论体系 。可以预言 ，GA 如与其他人工智能方法结合将开创 GA 应用的新天地。 * *