深入浅出遗传算法.docxVIP

一、初探遗传算法维基百科对遗传算法所给的解释：遗传算法是计算数学中用于解决最优化的搜索算法，是进化算法的一种。进化算法最初是借鉴了进化生物学中的一些现象而发展起来的，这些现象包括遗传、突变、自然选择以及杂交等。?遗传算法通常实现方式为一种计算机模拟。对于一个最优化问题，一定数量的候选解（称为个体）的抽象表示（称为染色体）的种群向更好的解进化。传统上，解用二进制表示（即0和1的串），但也可以用其他表示方法。进化从完全随机个体的种群开始，之后一代一代发生。在每一代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体（基于它们的适应度），通过自然选择和突变产生新的生命种群，该种群在算法的下一次迭代中成为当前种群。基本遗传算法的框图：?遗传算法基本步骤是：1）初始化t←0进化代数计数器；T是最大进化代数；随机生成M个个体作为初始群体P（t）；2）??个体评价?计算P（t）中各个个体的适应度值；3）??选择运算?将选择算子作用于群体；4）??交叉运算?将交叉算子作用于群体；5）??变异运算?将变异算子作用于群体，并通过以上运算得到下一代群体P（t?+?1）;6）??终止条件判断??t≦T：t←?t+1?转到步骤2；???????????????tT：终止?输出解。??好的，看下遗传算法的伪代码实现：▲Procedures??GA：???伪代码begin???initialize?P(0);???t?=?0;?????????//t是进化的代数，一代、二代、三代...???while(t?=?T)?do??????for?i?=?1?to?M??do? //M是初始种群的个体数????????Evaluate?fitness?of?P(t);?//计算P（t）中各个个体的适应度??????end?for??????for?i?=?1?to?M??do??????????Select?operation?to?P(t);??//将选择算子作用于群体??????end?for??????for?i?=?1?to?M/2??do??????????Crossover?operation?to?P(t);?//将交叉算子作用于群体??????end?for??????for?i?=?1?to?M??do??????????Mutation?operation?to?P(t);??//将变异算子作用于群体??????end?for??????for?i?=?1?to?M??do??????????P(t+1)?=?P(t);??????//得到下一代群体P（t?+?1）??????end?for??????t?=?t?+?1;??????//终止条件判断??t≦T：t←?t+1?转到步骤2???end?whileend?二、深入遗传算法1、智能优化算法概述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。这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。?遗传算法属于智能优化算法之一。??常用的智能优化算法有：遗传算法?、模拟退火算法、禁忌搜索算法、粒子群算法、蚁群算法。（本经典算法研究系列，日后将陆续阐述模拟退火算法、粒子群算法、蚁群算法。）?2、遗传算法概述遗传算法是由美国的J.?Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的。借鉴生物界自然选择和自然遗传机制的随机化搜索算法。?模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象。?在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。??基本遗传算法（Simple?Genetic?Algorithms，GA)又称简单遗传算法或标准遗传算法），是由Goldberg总结出的一种最基本的遗传算法，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础。?3、基本遗传算法的组成（1）编码（产生初始种群）（2）适应度函数（3）遗传算子（选择、交叉、变异）（4）运行参数?1、编码遗传算法（GA）通过某种编码机制把对象抽象为由特定符号按一定顺序排成的串。正如研究生物遗传是从染色体着手，而染色体则是由基因排成的串。基本遗传算法（SGA）使用二进制串进行编码。??初始种群：基本遗传算法（SGA）采用随机方法生成若干个个体的集合，该集合称为初始种群。初始种群中个体的数量称为种群规模。?2、适应度函数?遗传算法对一个个体（解）的好坏用适应度函数值来评价，适应度函数值越大，解的质量越好。适应度函数是遗传算法进化过程的驱动力，也是进行自然选择的唯一标