退火遗传算法资料.docVIP

《自动化技术概论》课程论文 题 目： 退火遗传算法 班 级： 动力工程 学 号： 201280812014 姓 名： 戴志立 完成时间： 2013.6.12 退火遗传算法 绪论 遗传算法(GeneticAlgorithm, GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法。它是由美国密执安大学 J. Holland 教授提出的一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。它起源于达尔文的进化论, 是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。遗传算法的研究引起了国内外学者的关注。自1985 年以来，国际上已召开了多次遗传算法的学术会议和研讨会，国际遗传算法学会组织 召 开 的 ICGA 会 议 和FOGA会议，为研究和应用遗传算法提供了国际交流的机会。遗传算法的主要特点是群体搜索策略和群体中个体之间的信息交换, 搜索不以梯度信息为基础。它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题, 可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。作为一种全局优化搜索算法, 遗传算法以其简单通用、鲁棒性强、适于并行处理以及应用范围广等特点,使其成为21 世纪智能计算核心技术之一。进入80 年代, 遗传算法迎来了兴盛发展时期,无论是理论研究还是应用研究都成了十分热门的话题近年来，遗传算法已被成功地应用于经济答理、交通运输、工业设计等不同领域.解决了许多问题。例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。 模拟退火算法来源于固体退火的原理，其最初的思想由 Metropolis 在 1953 年提出，Kirkpatrick 在 1983 年成功地将其应用于组合最优化问题中。出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。在对固体物质进行退火处理时，通常是先将它加温熔化，固体内部粒子随温升变为无序状，内能增大，使其中的粒子可以自由运动，然后降温，而徐徐冷却时粒子渐趋有序，在每个温度上都达到平衡态，最后在常温时达到基态，内能减为最小，粒子就逐渐形成低能态的晶体。如果凝结点附近温度下降足够慢，那么固体物质一定能够形成最低能量的状态。目前已有一些将模拟退火算法与遗传算法相结合的方法－ 2.3模拟退火算法流程图 3退火遗传算法 3.1退火遗传算法的基本概念 退火算法局部搜索能力强，而遗传算法有较强的全局搜索能力。怎么样才能取长补短，将两者的长处相结合起来，从而能够更快更好的逼近甚至找到理想的解？ 模拟退火遗传算法综合了2种算法的优点。遗传算法全局搜索效率高，很快就能找出全局较优解。然后，将遗传算法得出的全局较优解作为模拟退火算法的初始解，使得它一开始就落入最有希望的搜索区域，大大缩小搜索范围，提高搜索效率而且还对其中的冷却进度表进行优化，特别是温度方面，使用的是遗传算法结束后的温度，即高温时，用遗传算法找出全局较优解，低温时使用模拟退火算法，使得其接受退化个体的概率大大减小，一代一代向前发展。最后，将模拟退火算法嵌入到遗传算法中。其过程是随机产生一组初始群体，通过选择、交叉、变异等改进的遗传算子来产生一组新的个体，这样不断循环，直到产生的新群体的最优个体比父代差，之后选择最优个体，独立的对其进行模拟退火操作，如此反复迭代进行，直到满足某个终止条件为止 遗传算法后期的局部搜索效率是很低的，前期全局搜索效率是很高的。如果连续几代最好个体的适应度没有提高，说明遗传算法的搜索已经到了后期，则跳出遗传算法，接着用后面的退火算法进行继续搜索。退火算法前期的全局搜索效率很低，而后期的局部搜索效率很高，所以退火算法是接着遗传算法搜索完以后的温度以及得到的全局较优解进行继续搜索，这样，两个算法同时达到了互补，同时发挥了两个算法的优势。所以不管从效率和搜索时间上都大大提高了。 3.2退火遗传算法的步骤 算法流程如下： 1)初始化参数：如种群数目 Pnum，交叉概率 pc，变异概率 pm，最大代数 gemax退火速率 k，初始温度t，结束温度tf等。 2)初始种群：采用随机的方式产生满足要求的初始解，当前代数 gen=1。 3)计算适应度：对初始种群中各个体进行评价，计算适应度，记录最好染色体。 4)判断算法收敛条件是否满足？若是，转到步骤 8)；否则转到步骤 5)。 5)产生新种群