遗传算法的原理及组成浅析.docVIP

遗传算法的原理及组成浅析 　　【摘 要】本文简单讨论了遗传算法的特点、组成，即介绍了算法的交叉及常用的交叉算子、变异，其中进一步 说明算法的编码原理、适应度函数设计，最后提出该算法的不足之处和改进。 　　【关键词】遗传算法；参数；适应度函数 　　遗传算法（GA）是一种宏观意义下的仿生算法，它模拟的机制是一切生命智能的产生与进化过程。作为一种广为应用的、高效的随机搜索与优化方法，它对模型的表达式没有特定的要求，如目标函数用约束函数的连续性、可微性等函数解析性质的限制，还具有全局优化性、稳健性与可操作的简单性等优点。 　　1 遗传算法的主要步骤及 　　遗传算法操作的是一群编码化的可行解，称作种群p（t）。它通过种群的更新与迭代来搜索全局最优解。种群的迭代是通过选择、杂交和变异等具有生物意义的遗传算子来实现的。在算法中，进化过程是通过一代群体p（t）向下一代群体p（t+1）的演化完成的，每一代群体由若干个个体组成，每个个体称为一个染色体，而每个染色体是一系基因组成的基因串。每个染色体由于其中所含基因排列方式的不同而表现出不同的性能[1]。 　　算法在整个优化过程中的遗传操作是随机的，但它所呈现出的特性并不是完全随机的搜索，它能有效的利用历史信息来推测下一代的期望性能有所提高的寻优点集，这样反复进行，最后收敛到一个最优解。 　　2 遗传算法的组成 　　遗传算法主要由几个部分组成：编码方式、适应度函数、遗传操作、算法终止条件。要利用遗传算法成功的解决优化问题，每个部分的设计都非常关键。 　　2.1 编码 　　编码原理遗传算法不是对所求问题的实际优化变量直接操作，而是对表示可行解的遗传编码（即个体）作遗传操作。因此遗传算法中在进行搜索之前需要把解空间的可行解转换为搜索空间的基因型结构，这些串结构数据的不同组合便构成了不同的点。编码问题实际上是问题空间到表示空间的映射问题。 　　一个好的编码方法，有可能会使得交叉运算、变异运算等遗传操作可以简单地实现和执行[2]。 　　通常的编码方法包括：①二进制编码方法；②格雷码编码方法；③浮点数编码方法。 　　符号编码方法： ①多参数级联编码方法；②多参数交叉编码方法。 　　2.2 适应度函数的设计 　　从数学角度看，遗传算法实质上是一种溉率性?索算法。但它也具有一定的智能特怔。遗传算法是在适应度函数的指导下进行搜索。而不是穷举式的全面搜索。适应度函数评估是选择操作的依据。各个体适应度函数值的大小决定了它们是继续繁衍还是消亡。相当于是自然界中各生物对环境的适应能力的大小。通常，适应度大的个体具有更适应环境的基因结构。再通过基因重组和基因突变等遗传操作，就可能产生更适应环境的后代。改变种群内部结构的操怍皆通过适应度加以控制。适应度函数的选取直接影响到遗传的收敛性及收敛速度。 　　2.2 遗传操作 　　基本遗传搡作包括：选择、交叉、变异。 　　1）选择。选择操作决定如何从当前种群中选取个体作为产生下一代种群的父代个体。不同的选择策略将导致不同的选择压力，即最佳个体选中的概率与平均中概率的比值。但也较容易出现过早收敛现象；较小的选择压力能使种群保持足够的多样性。从而增大算法收敛到全局最优的概率，但算法收敛速度一般较慢。 　　常用的选择方法有： 　　①基于比例的适应度分配（proportional fitness assignment）方法 　　基干适应度比例的选择方法利用比例于各个体适应的概率决定其子孙的遗留可能性。包括繁殖池选择（breeding pool selection）、轮盘赌选择（roulette wheel selection ）等方法。 　　②基于排名的适应度分配（rank-based fitness assignment）方法 　　基于排名的选择方法包括线性排名选择和非线性排名选择等方法，是将种群中的个体按目标值进行排序。适应度仅仅取决于个体在种群中的序位，而不是实际的目标值。 　　常用选择方法还包括局部选择、截断选择、锦标赛选择、稳态繁殖等。 　　2）交叉 　　在生物的自然进化过程中，两个同源染色体通过交叉而重组形成新的染色体，从而产生出新的个体或物种。交配重组是生物遗传和进化过程中的一个主要坏节。模仿这个环节，在遗传算法中也使用交叉算子来产生新的个体。 　　常用的几种交叉算子有： 　　①实值重组；离散重组；中间重组；线性重组；扩展线性重组。 　　②二进制交叉；单点交叉；多点交叉；均匀交叉；洗牌交叉；缩小代理交叉。 　　3）变异 　　变异是遗传算法中保持生物多样性的一个重要途径。它以一定概率选择某一基因座，通过改变该基因座的基因值来获取新个体。 　　算法中的适应值函数要求是非负的，而一般优化问题的目标函数并不满足这个条