遗传算法原理_转转大师解析.doc

5、遗传算法原理与应用 5.1 遗传算法概述 5.2 遗传算法的生物学基础 5.3 基本遗传算法 5.4 模式定理 5.5 遗传算法的实现技术 5.6 遗传算法的应用举例 1  5、1 遗传算法概述 一、问题提出 遗传算法（Genetic Algorithms GA ）是一种基于自然选择和基 因遗传学原理的优化搜索算法， 两个研究目的：抽象和严谨的解释自然界的适应过程； 将生物系统的重要机理运用到工程系统、计算机系统等人工系统中。 遗传算法在计算机上模拟生物的进化过程和基因操作，并不需 要对象的特定知识，也不需要对象的搜索空间是连续可微的，具有 全局寻优能力。一些常规的优化算法难以有效解决的问题，遗传算 法的寻优技术往往能得到较好的效果，常用于函数优化、自动控制、 图像识别、机器学习等。 2  1、智能优化算法 又称现代启发式算法，是一种具有全局优化性能、通用性强、且 适合于并行处理的算法。算法一般具有严密的理论依据，而不是单纯 凭借专家经验，理论上可在一定时间内找到最优解或近似最优解。 （1）遗传算法（Genetic Algorithm，简称GA） （2）模拟退火算法（Simulated Annealing，简称SA） （3）禁忌搜索算法（Tabu Search，简称TS） 共同特点：都是从任一解出发，按照某种机制，以一定的概率在整 个求解空间中探索最优解。由于可以把搜索空间扩展到整个问题空 间，因而具有全局优化性能。 3  2、自然选择说 生物种群的生存普遍遵循达尔文的物竞天择、适者生存的进化准 则，遗传算法是 1962年由美国 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。 遗传算法是以达尔文的自然选择学说为基础发展起来的。自然选 择学说包括以下三个方面： （1）遗传 生物的普遍特征，亲代把生物信息交给子代，子代总是和 亲代具有相同或相似的性状。生物有了这个特征，物种才能稳定存在。 （2）变异 亲代和子代之间以及子代的不同个体之间的差异。变异是 随机发生的，变异的选择和积累是生命多样性的根源。 （3）生存斗争和适者生存 具有适应性变异的个体被保留下来，不具 有适应性变异的个体被淘汰，通过一代代的生存环境的选择作用，性 状逐渐与祖先有所不同，演变为新的物种。 4  3、遗传算法的主要思想 遗传算法是从代表问题可能潜在的解集的一个 种群开始的，（一个 种群由经过基因编码的一定数目的个体组成。每个个体是染色体带有特 征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内 部表现是某种基因组合，它决定了个体的形状的外部表现，如黑头发的 特征是由染色体中控制这一特征的某种基因组合决定的。因此，一开始 需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工 作很复杂，往往进行简化，如二进制编码。） 初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产 生出越来越好的近似解， 在每一代，根据问题域中个体的适应度大小选 择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出 代表新解集的种群。过程像自然进化一样，后生代种群比前代更适应于 环境，末代种群中的最优个体经过解码，可作为问题近似最优解。 5  4、遗传算法的特点 遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传 统的优化算法相比，主要有以下特点： 1、以决策变量的编码作为运算对象。传统的优化算法直接决策变量 的实际值本身，而遗传算法处理决策变量的某种编码形式，使得可以借鉴 生物学中的染色体和基因的概念，模仿自然界生物的遗传和进化机理，也 能够方便的应用遗传操作算子。 2、直接以适应度作为搜索信息，无需导数等其它辅助信息。 3、不是从单个点，而是从一个点的群体开始搜索； 4、具有内在的隐并行性和较好的全局寻优能力； 5、采用概率化寻优方法，能自动获取搜索过程中的有关知识并用于 指导优化，自适应地调整搜索方向，不需要确定的规则。 6  二、 遗传算法的应用 提供了一种求解复杂系统优化问题的通用框架，不依赖于问题的具体 领域，对问题的种类有很强的鲁棒性，广泛应用于很多学科领域。 (1) 函数优化 函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评 价的常用算例。对于一些非线性、多模型、多目标的函数优化问题，用 其他优化方法较难求解，用遗传算法可以方便地得到较好的结果。 (2) 组合优化 随着问题规模的增大，组合优化问题的搜索空间也急剧扩大，有时 在目前的计算机上用枚举法很难或甚至不可能求出其精确最优解。对这 类复杂问题，在于寻求满意解上，遗传算法是最佳工具之一。遗传算法 对于组合优化中的NP完全问题非常有效。 例如，