遗传算子构造理论-完全版.docVIP

遗传算子及遗传操作理论 摘要：遗传算法作为一种高效的搜索与寻求最优问题的方法，对解决现实问题有着很大的帮助。它面向结构对象进行操作，采取选取、交叉、变异等基本操作，进行问题的解决。且选取操作下有概率方式选取、贪婪选取等方式，重组分实值重组、离散重组等，变异有单点变异、离散变异等。除此外在特定的算法中还有响应的遗传操作，看上去和基本算法有些不同，但其本质未发生变化，这对于解决问题有着很大的帮助，也为寻求一个问题的最优解提供他了重要的解决方法。 关键词：遗传原理、遗传算子、遗传操作、 编码方式、改进算法  目录 一、绪论········································2 二、遗传算法的一些概念·······················3 1、何为遗传算法 遗传算法的原理 一般遗传算法的遗传操作 三、遗传操作···································4 1、选择-复制　(selection-reproduction) 2、交叉(Crossover—Recombinantion) 3、变异(Mutation) 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 选择操作也叫复制操作，从群体中按个体的适应度函数值选择出较适应环境的个体。一般地说，选择将使适应度高的个体繁殖下一代的数目较多，而适应度较小的个体，繁殖下一代的数目较少,甚至被淘汰。最通常的实现方法是轮盘赌(roulette wheel)模型令Σf表示群体的适应度值之总和，f表示种群中第i个染色体的适应度值，它被选择的概率正好为其适应度值所占份额 如下图表中的数据适应值总和Σfi=6650,适应度为2200变选择的可能为f／Σf=2200/6650=0.394. 图1. 轮盘赌模型? Fitness 值： 2200 1800 1200 950 400 100 选择概率： 3331 0.271 0.18 0.143 0.06 0.015 交叉(Crossover—Recombinantion) 重组是结合来自父代基因信息而生成的，而交叉将被选中的两个个体的基因链按一定概率pc进行交叉，从而生成两个新的个体，交叉位置pcPc是一个系统参数是随机的。根据问题的不同，交叉单点交叉算子（Single Point Crossover）、双点交叉算子（Two Point Crossover）、均匀交叉算子 (Uniform Crossover)Crossover）等在此我们只讨论单点交叉的情况。 变量1 可能的子个体 父个体 变量2 单点交叉操作的简单方式是将被选择出的两个个体S1和S2作为父母个体，将两者的部分基因码值进行交换。假设如下两个8位的个体： S1 1000 1111 S2 1110 1100 产生一个在1到7之间的随机数c，假如现在产生的是2，将S1和S2的低二位交换：S1的高六位与S2的低六位组成数这就是S1和S2 的一个后代P1个体；S2的高六位与S1的低二位组成数这就是S1和S2的一个后代P2个体。其交换过程如下图所示： CrossoverCrossover S1 1000 1111 S2 1110 1100 P1 1000 1100 P2 1110 1111 变异(Mutation) 异算子的基本内容是对群体中的个体串的某些基因座上的基因值作变动。依据个体编码表示方法的不同，可以有以下的算法： 　　 实值变异 　　 b)二进制变异 　　一般来说，变异算子操作的基本步骤如下：