现代优化计算遗传算法报告..docx

现代优化计算方法报告题目：遗传算法全局寻优性及初始种群大小对其的影响组织：第九组成员：肖调杰、刘超、寻超、郭伟恒、冷华倩、宋春静2014年3月21日星期五利用遗传算法求取函数最大值与最小值第九组：肖调杰、刘超、寻超、郭伟恒、冷华倩、宋春静摘要优化算法有很多种，如禁忌搜索算法、模拟退火算法、遗传算法、蚁群算法等。本文中，我们主要研究了遗传算法。寻找全局是遗传算法的一大特点，在本文中，特意构造了一具有多个极大值点与多个极小值点的函数y=sin(2x)/(1+2x)，然后根据所找资料改编实现了用遗传算法来求取最值的程序，体现了遗传算法的全局最优性，探寻了初试种群大小对结果的影响。1、几大优化算法简介1.1禁忌搜索禁忌搜索（Tabu Search, TS）是对人类思维过程本身的一种模拟，它随机产生一个初始解，通过对一些局部最优解的禁忌（禁忌表记忆）达到接纳一部分较差解，从而跳出局部搜索的目的。它在函数全局优化、组织优化、图论、调度领域、运输问题、专家系统、电路设计和神经网络等方面得到了应用[5]。1.2 模拟退火算法模拟退火算法源于对固体退火过程的模拟；采用Metropolis接受准则；并用一组称为冷却进度表的参数来控制算法进程，使得算法在多项式时间里给出一个近似最优解。用于求解大规模组合优化问题的一种具有全局搜索功能的随机性近似算法。该算法应用广泛，用于训练神经网络的计算[8]，解决物流配送路线问题等实际问题[9]，以及各种与降温过程类似的过程的计算和优化[10]。1.3遗传算法遗传算法(Genetic Algorithm, GA) 是模拟自然界生物进化过程与机制求解极值问题的一类自组织、自适应人工智能技术[1]。遗传算法主要应用领域包括：函数优化、组合优化、生产调度问题、自动控制、机器人学、图像处理、人工生命、遗传编程、机器学习、数据挖掘等[2]。随着遗传算法的不断改进，这种拟自然算法将有更加广阔的应用空间[3][4]。1.4蚁群算法蚁群算法（ACA）是通过研究蚁群的高度组织协调完成一系列复杂任务提出的一种新型仿生算法。ACA有着优化的选择机制的本质。而这种适应和协作机制使之具有良好的发现能力及其它算法所没有的优点。如较强的鲁棒性、分布式计算、易与其他方法结合等。蚁群算法可以应用在仿真模拟领域[11]，还可以与遗传算法相结合[12]，亦可用于生物医学领域等[13]。鉴于对上述算法的综合考虑，第九组最终选取遗传算法，验证了其全局寻优特点，也讨论了选取初试种群的大小对结果的影响。2 遗传算法的基本操作2.1 产生初始种群遗传算法是对群体进行的进化操作，需要给其淮备一些表示起始搜索点的初始群体数据。群体由个体组成，每个个体通过随机方法产生。2.2 适应度计算遗传算法中以个体适应度的大小来评定各个个体的优劣程度，从而决定其遗传机会的大小。2.3 选择运算选择运算(或称为复制运算)把当前群体中适应度较高的个体按某种规则或模型遗传到下一代群体中。一般要求适应度较高的个体将有更多的机会遗传到下一代群体中。???具体操作过程：???????? ?? 首先，计算出群体中所有个体的适应度的总和? fi? ( i=1.2,…,M )；???????? ?? 其次，计算出每个个体的相对适应度的大小 fi / fi ，它即为每个个体被遗传到下一代群体中的概率；???????? ?? 每个概率值组成一个区域，全部概率值之和为1；???????? ?? 最后再产生一个0到1之间的随机数，依据该随机数出现在上述哪一个概率区域内来确定各个个体被选中的次数。2.4 交叉运算交叉运算是遗传算法中产生新个体的主要操作过程，它以某一概率相互交换某两个个体之间的部分染色体。单点交叉方法的具体操作过程：?????? ? 首先，对群体进行随机配对；?????? ? 其次，随机设置交叉点位置；?????? ? 最后再相互交换配对染色体之间的部分基因。2.5变异运算变异运算是对个体的某一个或某一些基因座上的基因值按某一较小的概率行改变，它也是产生新个体的一种操作方法。???????利用基本位变异方法进行变异运算的具体操作过程：??????? ? 首先，确定出各个个体的基因变异位置，下表所示为随机产生的变异点位置，其中的数字表示变异点设置在该基因座处；??????? ? 然后，依照某一概率将变异点的原有基因值取反。对群体P(t)进行一轮选择、交叉、变异运算之后可得到新一代的群体p(t+1)。3、数学函数模型所取函数为f(x)=sin(2x)/(1+2x) x[0,10]，该函数在x[0,10]区间内具有多个极大值点与多个极小值点，图形如下图1 函数图形4、初试种群大小对结果的影响利用遗传算法，所对应函数分别为gamax4与gamin4，程序内容见附件。求取函数f(x)=10*sin