基于遗传算法的地理空间问题的分析.pdfVIP

基于遗传算法的地理空间问题的分析 周宁，张军，郭嗣琮 辽宁工程技术大学测绘与地理科学学院，辽宁阜新（123000 ） E-mail: zhouning_032@ 摘 要：本文利用遗传算法的基本理论，通过对遗传算法在地理空间问题中的基本应用的分 类介绍，并对其在交通供水管网优化问题中的应用进行了分析，对其优化结果得出了最终评 价。 关键词：遗传算法，地理空间问题，优化 中图分类号：P12 1. 引言 随着地理信息系统的不断丰富与完善，借助地理信息系统进行的优化决策问题越来越 多。而传统的优化决策方案已经不能方便的解决现如今复杂的地理空间问题。本文根据地理 空间问题的特点，提出了基于遗传算法来解决地理空间问题的优化方案，以提高计算效率。 2. 遗传算法概述 遗传算法最早是由密执根大学的John H. Holland 教授提出来的。这种算法模仿达尔文 的生物进化论而创建。与传统的搜索法不同，遗传算法是从一组随机产生的初始解开始，经 过对“染色体”一系列的迭代进化将“染色体” 的优质基因组合遗传得到后代，最后收敛于最好 的“染色体”，即得到问题的最优或次优解。它可用于解决诸如控制及函数的优化、机器学习 等许多方面的问题。它模仿生物遗传及进化的步骤，引入了如选择、复制、交叉重组和变异 等方法。并将进化论中适者生存的概念引入到算法中。 从微观的角度看，遗传算法是一种随机算法;从宏观的角度看，它又具有一定的方向性。 因此，它不同于一般的随机算法，它所使用的随机选择只是在有方向的搜索过程中的一种工 具。正是由于它的方向性，使得它比一般的随机搜索算法的效率要高。 基本的遗传算法是对参数集的有限长度编码进行操作，并为每一个编码产生一个适配值 来评价该编码的好坏。通过编码和适配值使得算法不需要考虑问题的具体情况，从而容易适 应各种情况。然而，对于具体的问题，并不一定必须对间题进行编码操作，当很难对问题进 行编码时，完全可以直接对间题的参数集进行操作。 基本的遗传算法分为复制和交叉重组两个步骤进行:复制就是对一组参数集中的每个参 数集，根据其性能的好坏按概率进行复制。所复制出的参数集为交叉重组做准备。而交叉重 组，就是将两个参数集的某一部分进行互换，产生一些新的参数集。复制和交叉重组后，通 过优胜劣汰的机制，将性能坏的参数集淘汰。从而改变了参数集的性能，然后，用新的参数 集再进行新一轮的复制和交叉重组[1] 。遗传算法的基本过程如图1 所示。 为了加快寻优的速度，遗传算法还引入了“变异”和“移民”等概念。变异就是对参数集中 的某些参数进行人为的突变，以达到产生新品种的目的。移民就是人为地加入一些新的参数 集。“变异”和“移民”都是以小概率进 - 1 - 开始 编码，确定适应度函数 产生初始群体 变异 计算各个体适应度 交叉 否 满足终止条件？ 选择 是 确定最优个体 解码输出 结束 图1 遗传算法的基本过程 分析遗传算法的这些操作，“按概率复制”