改进型算法要点.docVIP

第二章 改进型遗传算法 2.1 遗传算法 2.1.1 引言 遗传算法(Genetic Algorithm，简称GA)是一种模拟自然界生物进化和遗传过程，具有极强鲁棒性的并行启发式的有导向的随机搜索优化算法，以其简易实用、适应性强，不需要专门领域知识的特点，倍受人们的青睐。 遗传算法是美国Michigan大学Holland教授及其学生在对自然界生物进化系统进行计算机模拟研究时，创造性演变而来的一种基于生物遗传学和自然进化机制的适用于复杂系统优化的自适应概率优化技术。它具有广泛的生物学背景，其指导思想来源于十九世纪达尔文阐述得著名生物进化理论——“物竟天择，适者生存”，其运行机制得益于遗传学家孟德尔和摩尔根所创立得现代遗传学理论——“生物个体性状由组成其生命的细胞核中的染色体决定”。 自遗传算法诞生后，国内外学者对其进行了大量研究，使其理论依据、构思方法和实际应用得到了蓬勃发展。在理论研究方面，60年代Holland建立了模式定理。80年代Bethke首次提出利用Walsh函数的离散形式进行模式变换，来有效地得到各个模式的平均适应度，进而对遗传算法的优化过程展开理论分析。随后，Goldberg和Segrest对遗传算法的收敛问题引入有限状态空间中的Markov链进行研究，取得了丰硕的研究成果。尽管后来许多研究者用各种不同的方法对遗传算法的性能进行了理论研究，但目前遗传算法比较有效地理论依据仅有模式定理、积木块假设和Markov链定理。在遗传算法构思和实际应用方面，可谓是硕果累累。70年代Hollstein应用具有交配和选择规则的遗传算法进行二维函数优化；其后，DeJong设计了5个用于测试遗传算法性能的基准函数。80年代Wetzel首次用遗传算法解决旅行商问题(TSP)，开创了遗传算法求解排列组合问题的新时代；随后，John R.Koza将遗传算法用于计算机自动编程，形成了进化编程的新分支。 90年代Adleman设计了更适合求解组合优化问题的DNA遗传算法。进入新世纪后，K.H.Han等将量子态矢量引入遗传编码，利用量子旋转门实现染色体基因的调整，并给出了一种基因调整策略，开创了量子计算和遗传算法相结合的广阔领域；随后，谢克明等在总结各种遗传算法构思特点基础上提出了功能更强大寻忧效果更好的思维进化计算，并成功得应用于水泥配比。当然，期间还有许许多多优秀学者为遗传算法的发展做出了这样那样的贡献，这里应篇幅不再一一列举。 2.1.2 基本遗传算法 60年代Holland所给出的遗传算法，因其简单实用，通常被人们称为基本遗传算法。它是有导向的随机搜索方法,将“优胜劣汰，适者生存”的进化思想以适应度函数的形式引入待优化参数组成的编码串群体中,并按适应值及一系列遗传操作对各个体进行筛选,从而使适配值高的个体保留下来,组成新的群体,新群体包含了上一代的大量信息,并有优于上一代的个体。循环迭代,群体中各个体适应度不断提高,直至满足一定停止条件就结束算法，群体中适应值最高的个体所对应解即为待优化问题的最优解或满意解。 2.1.2.1 基本遗传算法的构成 基本遗传算法大致包括以下基本操作：实际问题解空间到染色体的编码、种群设值、解码、完成个体适应度函数值的计算及变换、选择、交叉和变异系列遗传操作和停止准则。基本遗传算法运行流程图如图2-1所示： 基本遗传算法术语： 基本遗传算法详细执行步骤如下： 编码 基本遗传算法以固定长度的二进制串个体表示待优化变量，组成种群。其等位基因，即二进制染色体串由二值符号集组成。编码长度（一般取为8-32）与问题求解精度有关。若参数x取值范围为，用长度为的二进制串表示为，则其编码精度计算公式为： 对应解码公式为： 基本二进制编码除简易易行外，具有不能直接反映问题的固有结构，解码复杂，精度不高，个体长度太长，占用计算机内存多和空间效率不高等缺点。为此许多学者针对不同问题设计了不同的编码方式，现归纳如表： 编码方式 基因型 表现型 优/缺点 具体参考文献 二进制编码 Gray码 转换关系 无海明崖，局部搜索强但不易解码 混合编码 搜索快精度高 但解码复杂 实数编码 浮点数编码 精度高易于传统方法结合但遗传操作复杂 自然数编码 适合排列组合问题 DNA/RAN编码 52 42 7 25 极适合排列 组合优化 量子编码 拓扑结构/树形编码 2)初始种群 基本遗传算法采用随机产生N个初始个体组成一个种群。由模式定理及Markov链定理可知，初始种群应尽可能多得包含解空间的模式信息以提高寻忧性能，为此学者们提出了各种产生初始种群的方法，绪论中已详细介绍这里不再敖述。本文采用了均匀生成、前人经验及随机生成三种方法来生成初始种群。 3)计算适应度值