遗传算法综述60392.docVIP

遗传算法综述 摘要：遗传算法(genetic algorithms，GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，适用于处理传统搜索方法难以解决的复杂和非线性优化问题。遗传算法可广泛应用于组合优化、机器学习、自适应控制、设计和人工生命等领域，是21世纪有关智能计算中的重要技术之一。 本文通过对相关论文的查阅和整理，对遗传算法的研究现状和发展趋势进行了综述并谈论了一些自己的看法。 关键词： 遗传算法 研究现状 发展趋势 引言：遗传算法是模拟遗传选择和自然淘汰的生物进化过程的计算模型，由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg 等人归纳总结，形成一种新的全局优化搜索算法[1]。遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。 遗传算法的基本原理 与传统搜索算法不同, 遗传算法从一组随机产生的初始解,称为群体, 开始搜索过程。群体中的每个个体是问题的一个解,称为染色体。这些染色体在后续迭代中不断进化, 称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体, 称为后代。染色体的好坏用适应度来衡量。根据适应度的大小从上一代和后代中选择一定数量的个体, 作为下一代群体, 再继续进化, 这样经过若干代之后, 算法收敛于最好的染色体, 它很可能就是问题的最优解或次优解。“遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的定义一般与具体求解问题有关”[2]。 遗传算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成遗传空间中的染色体或个体，这个过程称为编码（coding）。另一个是从基因型到表现型的转换，即将个体转化成搜索空间中的参数，这个过程称为译码（decode）。 图1展示了遗传算法的运行过程。 图1 遗传算法的运行过程示意图 遗传算法的研究现状 2.1 遗传算法研究方向[3] 在遗传算法的研究中，目前主要有三类研究方向： ⑴ 研究遗传算法本身的理论基础。 ⑵ 用遗传算法作为工具解决工程问题。主要是进行优化，关心的是能否在传统方法上有所提高。在工程实践中的遗传算法应用主要是利用了其并行性和全局搜索的特点来进行优化。 ⑶ 用遗传算法研究进化现象，一般涉及到人工生命等复杂性科学领域。 2.2遗传算法研究数据对比 文献[4]通过对2008—2010 年三年内遗传算法研究方面发表在EI源刊上的文章分布情况的分析，分别从研究内容和应用领域两个方面进行了统计，得到如下的统计图： 图2 遗传算法研究对比分析 文献[5]则通过对 2002—2006 年国内学者及工程技术人员在综述、函数优化、组合优化、生产调度、自动控制、机器人学、图像处理、人工生命、遗传编程、机器学习、数据挖掘11个方面对近五年国内发表在中文核心期刊上、与遗传算法有关的论文进行了分类，得到如下对比分析图： 图3 2002-2006年国内遗传算法研究现状分析 通过对这些图的分析，我们可以得到以下推论： 从研究内容来看，涉及物种多样性、测试函数、遗传算子、参数确定等研究内容的文章占据较大数量，欺骗问题和编码问题有关所占的比重不大； 从应用领域来看，针对遗传算法在生产调度及机器人学方面进行研究的文章占多数，在自动控制、组合优化和图像处理方面的研究也占很大一部分比例。有关遗传算法在函数优化、机器学习、人工生命、数据挖掘方面研究所涉及的文章不是很多，遗传编程方面被忽视。 （3）通过遗传算法方面的研究情况进行对比分析得出，遗传算法在函数优化和组合优化方面进行研究的文章每年几乎都是最多的，而生产调度及自动控制等实际应用领域的研究成果较少，这说明了现阶段我国的学者仍将研究的重心放在遗传算法的理论研究上。遗传算法在数据挖掘和机器学习领域进行研究的文章不多，但在研究成果中所占的比重逐年增长。 3、遗传算法的发展趋势 遗传算法作为一种搜索算法，其基本框架已经形成，在各种问题的求解和应 用中展现了它的特点和魅力，下面概述遗传算法现阶段研究课题的几个主要方面： 3.1 优化搜索方法的研究 优化问题的求解在遗传算法研究中占很大比重。尽管遗传算法比其他传统搜索方法有更强的鲁棒性，但它更擅长全局搜索而局部搜索能力却不足。为此，除了要进一步改进基本理论和方法外，还要采用和神经网络、模拟退火或专家系统等其他方法相结合的策略[6]。许多研究结果表明，采用这种混合模型可有效提