Matlab学习系列37.遗传算法分析.docx

37. 遗传算法一、算法概述遗传算法（Genetic Algorithm），是由美国的J. Holland教授于1975年首先提出的，是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。遗传算法的生物背景知识：　　基因 (Gene)：一个遗传因子，染色体上一个单元（解中的一个参数）；染色体/个体(Chromosome)：由一组基因构成（问题可能的一个解）；种群(Population)：由一系列染色体组成的一个集合；　　生存竞争，适者生存：对环境适应度高的个体参与繁殖的机会比较多，后代就会越来越多。适应度低的个体参与繁殖的机会比较少，后代就会越来越少。　　遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。　　简单说来就是：繁殖过程，会发生基因交叉(Crossover)，基因突变(Mutation)，适应度(Fitness)低的个体会被逐步淘汰，而适应度高的个体会越来越多。那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。遗传算法思想：借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程。问题域中的可能解被看作是种群的个体，对于一个最优化问题，一定数量的候选解的抽象表示（个体）的种群向更好的解进化。每一代中种群的各个个体会被评价适应度，基于个体的适应度，从当前种群中随机择优选择多个个体，通过交叉、突变产生新的个体，逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化若干代后就很有可能会进化出适应度函数值很高的个体。二、算法步骤1. 基本步骤(1) 初始化：初始化进化代数计数器t←0，最大进化代数T（一般100~500），初始化变异概率α（一般0.0001~0.2）、交叉概率β（一般0.4~0.99），随机生成M个（一般10~100）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；(6) 终止条件：若t≤T，则t←t+1, 并转到第(2)步；否则输出P(t)中的最优解。2. 基本操作(1) 编码遗传算法中，首要问题就是如何对解进行编码（解的形式），编码影响到交叉、变异等运算，很大程度上决定了遗传算法的效率。二进制编码：每个基因值为符号0和1所组成的二值制数；格雷编码：与二进制编码类似，连续两个整数所对应编码仅一码之差；实数编码：每个基因值用某一范围内的一个实数来表示；符号编码：染色体编码串中的基因值取自一个无数值含义，而只有代码含义的符号集。(2) 适应度函数也称评价函数，是根据目标函数确定的用于区分群体中个体好坏的标准，适应度函数值的大小是对个体的优胜劣汰的依据。通常适应度函数可以由目标函数直接或间接改造得到。比如，目标函数或目标函数的倒数/相反数经常被直接用作适应度函数。一般情况下适应度是非负的，并且总是希望适应度越大越好（适应度值与解的优劣成反比例）。比较好的适应度函数应：单值、连续、非负、最大化。适应度函数不应过于复杂，越简单越好，以便于计算机的快速计算。(3) 选择选择运算的作用是对个体进行优胜劣汰：从父代群体中选取一些适应度高个体（遗传到下一代的概率大），遗传到下一代群体。轮盘赌法：又称比例选择算子，个体i被选中的概率Pi与其适应度成正比：例如，种群规模为5，各个个体的适应度归一化后为p=[0.16, 0.39, 0.11, 0.14, 0.20]则累加得到cump=[0.16, 0.55, 0.66, 0.8, 1.0], 则可以通过生成[0,1]间的随机数rand来决定选择哪些个体：若rand∈[0, 0.16), 则第1个个体被选中；若rand∈[0.66, 0.8), 则第4个个体被选中。以[0 0.16 0.55 0.66 0.8 1.0]为自变量, [1:6]为因变量，进行线性插值，在随机生成的5个[0,1]间的随机数rand处，插值出5个因变量值，再向下取整作为被选中的个体。例如，若rand(1)介于[0,0.16), 则插值因变量介于[1,2), 向下取整得到的“1”，作为被选中的个体。两两竞争：从父代中随机地选取两个个体，比较适应度值，保存优秀个体，淘汰较差的个体；排序选择：根据各个体的适应度大小进行排序，然后基于所排序号进行选择。(4) 交叉是指对两个相互配对的染色体，依据交叉概率按某种方式相互交换其部分基因，从而形成两个新的个体。交叉运算是遗传算法区别于其它进化算法的重要特征，在遗传算法中起关键作用，是产生新个体的主要方法。两点交叉示例（9个城市）：索引位置（j）：1 2 3 4 5 6 7 8 9父代1（P1）：48