遗传求函数的极大值.doc

遗传算法求函数的极大值 2013年4月 遗传算法求函数的极大值 摘 要：近年来遗传算法（GA）的理论研究和应用研究成为一大热点，遗传算法根据适者生存优胜劣汰等自然化规则在计算机上模拟生物进化过程和基因遗传的操作，来进行搜索计算和问题的求解，具有全局寻优能力.遗传算法的典型应用之一是求函数的极大值。利用遗传算法求Rosenbrock函数的极大值，从而搜索问题的最优解 关键词：遗传算法；Rosenbrock函数；遗传算法流程图 Doi：1006-7043 (2006) xx-xxxx-x The maximum value of the function of genetic algorithms Abstract：Theoretical and applied research of genetic algorithm (GA) in recent years become a hot topic, genetic algorithm based on the survival of the fittest, survival of the fittest naturalization rules on the computer simulate the process of biological evolution and genetic operations to search for computing and problem solvingwith global optimization ability of one of the typical application of the genetic algorithm is a function of great value. The great value of the Rosenbrock function using genetic algorithms to search the optimal solution. Keywords：genetic algorithm; Rosenbrock; genetic algorithm flowchart 遗传算法简称（GA）是1962由美国Michigan大学的Holland教授提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。它将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成编码串联群体中，按所选择的适配值函数并通过遗传中的复制、交叉、变异对个体进行筛选，使适配值高的个体被保留下来，组成新的群体，新的群体继承上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，知道满足一定条件。利用遗传算法寻找Rosenbrock的极大值，随着优化过程的进行，群体中适配度较低的一些个体逐渐被淘汰，而适配度较高的一些个体会越来越多，并且它们都集中在所求的最优点附近，从而搜索到问题的最优解。 1 遗传算法的优化设计 1.1 遗传算法的构成要素 1.1.1 染色体编码方法 基本遗传算法使用固定长度的二进制符号来表示群体中的个体，其等位基因由二值符号集所组成。 1.1.2 个体适应度评价 基本遗传算法与个体适应度成正比的概率决定当前群体中每个个体遗传到下一代群体中的概率多少。为正确计算这个概率，要求所有个体的适应度必须为正数或零。因此，必须先确定由目标函数值到个体适应度之间的转换规则。 1.1.3 遗传算子 基本遗传算法使用下述三种遗传算子 选择运算使用比例选择算子； 交叉运算使用单点交叉算子； 变异运算使用基本位变异算子或均匀变异算子。 1.1.4 基本遗传算法的运行参数 有四个运算参数需要提前设定： :群体大小，既群体中所含个体的数量； ：遗传算法终止的进化代数，一般为100～150； : 交叉概率,0.49～0.99； ：变异概率，一般为0.0001～0.1 1.2 遗传算法的一般步骤 遗传算法是一种迭代算法。它以一组随机产生的解开始，在每一次迭代中由模拟进化和继承的遗传操作产生一组新解，这些解都由一个适应度函数给予评价，这个过程不断重复，直到达到某种形式上的收敛，新的一组解不但可以有选择的保留一些适应度函数值高的旧解，而且可以包括一些与其他解相结合而得到的新解。图1给出了遗传算法的工作原理框图。 图1 遗传算法的工作原理框图 2 遗传算法求函数的极大值 利用遗传算法求Rosenbrock函数的极大值： 该函数有两个局部级大点，分别是 和，其中后者为全局最大点。 2.1确定编码方式 用长度为10位的二进制编码串分别表示两个决策变量，。10位二进制编码串可以表示从0～1023之间的1024个不同的数，故将，的定义域离散化为1023个均等的区域，包括两个端点在内共有1024个不