遗传算法01.docVIP

第一章 遗传算法概述 遗传算法(Genetic Algorithm，简称GA)起源于对生物系统所进行的计算机模拟研究Michigan大学的Holland教授及其学生受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术——遗传算法1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制交叉变异显性倒位等遗传算子，在个体编码上使用双倍体的编码方法Holland教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本定理——模式定理(Schema Theorem)，并于1975年出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptation in Natural and Artificial System》20世纪80年代，Holland教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念1975年，De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论1989年，Goldberg出版了《Genetic Algorithm in Search，Optimization and Machine Learning》一书，系统地总结了遗传算法的主要研究成果，全面完整地论述了遗传算法的基本原理及其应用1991年，Davis出版了《Handbook of Genetic Algorithm》一书，介绍了遗传算法在科学计算(工程技术和社会经济中的大量实例1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程(Genetic Programming，简称GP)的概念，Krishnakumar和Goldberg以及Bramlette和Cusin已证明使用遗传优化方法在太空应用中导出优异的控制器结构比使用传统方法如LQR和Powell(鲍威尔)的增音机设计所用的时间要少(功能评估)Porter和Mohamed展示了使用本质结构分派任务的多变量飞行控制系统的遗传设计方案，另一些人证明了遗传算法如何在控制器结构的选择中使用从遗传算法的整个发展过程来看，20世纪70年代是兴起阶段，20世纪80年代是发展阶段，20世纪90年代是高潮阶段高效鲁棒性强的优化技术，发展极为迅速，已引起国内外学者的高度重视 1.1 遗传算法的概念生物的进化(Evolution)过程主要是通过染色体之间的交叉和变异来完成的基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的编码方式来模仿不同环境下的生物遗传特性，由不同的编码(Coding)方法和不同的遗传算子就构成了各种不同的遗传算法遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了达尔文的进化论和孟德尔的遗传学说，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解，在潜在的解决方案种群中逐次产生一个近似最优的方案，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解，得到的新个体比原个体更能适应环境，就像自然界中的改造一样个体或当前近似解被编码为由字母组成的串，即染色体(Chromosome)，使基因(Gene，染色体值)能在(表现)域决策变量上被惟一地描述，但是在遗传算法表现型上最常用的仍是二进制字符串，一个问题具有两个变量X1和X2，它们的染色体结构能用图1.1所示的方法描述图1.1 个体的染色体结构X1被编码为10位，X2被编码为15位(位数的多少能够反映精确度水平或个体决策变量的范围)，是一个不含人们试图解决问题的信息的染色体串，任何意义均可应用于表现型，就像下面的描述，搜索过程将在决策变量的编码中而不是它们自身中操作，当然除了在实值基因被使用的情况在决策变量域中的染色体表现型已被编码，可以估计种群的个体成员的特性或适应度，这就是个体在现行环境中的生存能力，目标函数建立的基础是在整个繁殖过程中选择成对的个体进行交配在再生(复制)期间，每个个体均被计算适应度值，它来自没有加工的原始特性度量，由目标函数给出，适应度高的个体具有高的选中参加交配的概率，而适应度低的个体具有相对低的选中概率一旦个体计算了适应度值，个体能根据它们的相对适应度从种群中被选中并重组，产生下一代(基因)，使用一般情况下个体的基因代码，产生更适合的个体考虑两个二进制父代串:A和 B果一个整数I是随机地在1到串长L减1之间(即[1，L-1])选择的，在这点后，两个个体间的基因进行交换，随后两个子代串产生