改进遗传算法用于非线性最小二乘平差.pdfVIP

改进的遗传算法用于非线性最小二乘平差 1 1,2 2 谷川 ，王丽华 ，万军 ⒈同济大学测量与国土信息工程系，上海（200092 ） ⒉上海达华测绘有限公司，上海（200136 ） E-mail ：guchuanhaha@163.com 摘 要：经典平差方法对于处理非线性问题，尤其是强非线性问题，有些力所不逮。从数学 的角度来看，把非线性最小二乘平差问题作为一个优化问题进行处理，遗传算法在此领域具 有独到的优势。本文从几个方面对遗传算法进行了改进，并且用一个测边网平差的实例说明 了改进算法的优势和有效性，具有一定的实用价值。 关键词：非线性最小二乘，平差，遗传算法，测边网，收敛速度，全局优化 1 引言 测量平差问题，从数学的观点来看就是一个参数优化问题。对于非线性观测模型，经典 测量平差往往采用线性化近似的方式进行处理，这样会造成两个方面的问题：一是在强非线 性的情况下可能对结果不利，再者就是对参数近似值的要求很高。随着近代测量的发展，非 线性问题越来越多，也越来越重要，对非线性问题的研究也就成为了一个热点问题。遗传算 法是一种优秀的全局优化算法，在参数优化领域有很好的应用，具体到测量平差方面。中南 大学朱建军等进行了附有不等式约束的最小二乘平差问题的研究[1]，同济大学王穗辉进行了 遗传算法在非线性最小二乘平差中的应用探讨[2]，均取得了不错的效果。本文对传统的遗传 算法进行了改进，并且将其应用到非线性最小二乘平差问题，实例证明，改进后的算法能够 取得很好的效果。 遗传算法(Genetic Algorithm，简称GA)是由美国Michigan大学的John H. Holland教授于 1975年在他的著作《Adaptation in Natural and Artificial Systems》中根据C. R. Darwin 的生物 进化论和G. Mendel的遗传变异理论提出的一种基于种群搜索的优化算法。其思想是随机产 生初始种群, 通过选择(Reproduction)、交叉(Crossover) 和变异(Mutation) 等遗传算子的共同 作用使种群不断进化, 最终得到最优解[3] 。 与其他优化方法相比，GA 以单一字符串的形式描述所研究的问题，只需利用适应度函 数进行优化计算, 而不需要函数导数等其他信息，特别适合解决其他学科技术无法解决或难 以解决的复杂和非线性问题，是继专家系统、人工神经网络之后又一受人青睐的人工智能学 科，一直是研究的一个热点，被广泛地应用于组合优化、机器学习、自适应控制、规划设计、 智能机器系统、智能制造系统、系统工程，人工智能、人工生命等领域，是21世纪智能计算 中的关键技术之一[4] 。 习惯上将John H. Holland提出的遗传算法称为简单遗传算法（Simple Genetic Algorithm, 简称SGA ）。和其它优化方法一样，由于全局性的要求，SGA作为一种通用的自适应随机搜 索算法，还存在着早熟收敛(过早收敛于局部最优值)和收敛速度慢这两个缺陷，而且比较难 克服,这给遗传算法的应用带来了很大的不便。 2 遗传算法的改进 出现早熟往往是由于种群中出现了某些超级个体，随着模拟生物演化过程的进行，这些 个体的基因物质很快占据种群的统治地位，导致种群中由于缺乏新鲜的基因物质而不能找到 - 1 - 全局最优值；另一个主要原因是由于遗传算法中选择及杂交变异等算子的作用，使得一些优 秀的基因片段过早丢失，从而限制了搜索范围，使得搜索只能在局部范围内找到最优值，而 不能得到满意的全局最优值[5] 。 Whitley认为，GA 中最重要的两个因素就是“种群多样性”和“选择压力”，而选择压力过 大是导致早熟收敛的一个重要原因。过大的选择压力虽然可以加快算法的收敛速度，却会使 种群中适应度不利于问题的求解的个体迅速“死亡”，种群的