遗传算法并行实现.pdfVIP

北京工业大学并行计算课程设计（论文） 遗 传 算 法 （基于遗传算法求函数最大值） 指导老师：刘建丽 学 号：S201007156 姓 名：杨平 班 级：研10 级1 班 1 北京工业大学并行计算课程设计（论文） 遗传算法 一、 遗传算法的基本描述 遗传算法（Genetic Algorithm，GA）是通过模拟自然界生物进化过程来求解 优化问题的一类自组织、自适应的人工智能技术。它主要基于达尔文的自然进化 论和孟德尔的遗传变异理论。多数遗传算法的应用是处理一个由许多个体组成的 群体，其中每个个体表示问题的一个潜在解。对个体存在一个评估函数来评判其 对环境的适应度。为反映适者生存的思想，算法中设计一个选择机制，使得：适 应度好的个体有更多的机会生存。在种群的进化过程中，主要存在两种类型的遗 传算子：杂交和变异。这些算子作用于个体对应的染色体，产生新的染色体，从 而构成下一代种群中的个体。该过程不断进行，直到找到满足精度要求的解，或 者达到设定的进化代数。显然，这样的思想适合于现实世界中的一大类问题，因 而具有广泛的应用价值。遗传算法的每一次进化过程中的，各个体之间的操作大 多可以并列进行，因此，一个非常自然的想法就是将遗传算法并行化，以提高计 算速度。本报告中试图得到一个并行遗传算法的框架，并考察并行化之后的一些 特性。为简单起见（本来应该考虑更复杂的问题，如TSP。因时间有些紧张，做 如TSP 等复杂问题怕时间不够，做不出来，请老师原谅），考虑的具有问题是： 对给定的正整数n、n 元函数f，以及定义域D，求函数f 在D 内的最大值。 二、 串行遗传算法 1． 染色体与适应度函数 对函数优化问题，一个潜在的解就是定义域D 中的一个点(x ,x ,...,x ) ，因 0 1 n 1 此，我们只需用一个长度为n 的实数数组来表示一个个体的染色体。由于问题中 要求求函数f 的最大值，我们可以以个体所代表点(x ,x ,...,x ) 在f 函数下的值 0 1 n 1 来判断该个体的好坏。因此，我们直接用函数f 作为个体的适应度函数。 2 ． 选择机制 选择是遗传算法中最主要的机制，也是影响遗传算法性能最主要的因素。若 选择过程中适应度好的个体生存的概率过大，会造成几个较好的可行解迅速占据 种群，从而收敛于局部最优解；反之，若适应度对生存概率的影响过小，则会使 算法呈现出纯粹的随机徘徊行为，算法无法收敛。下面我们介绍在实验中所使用 的选择机制。 2 北京工业大学并行计算课程设计（论文） P x (0) ,x (1) ,...,x (n 1) 我们定义 为当前种群内所有个体的集合， 为 中所有个体的 P 一个固定排列。若x P 为某一个体， 表示该个体的适应度，则种群 的 f (x )