遗传算法的研究与应用..docxVIP

遗传算法的研究与应用1.前言遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，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。作为一种新的全局优化算法，遗传算法以其简单通用、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，并取得了良好的效果，逐渐成为重要的智能算法之一。2.遗传算法的基本原理及特点2.1遗传算法的基本原理遗传算法是一种基于自然选择和群体遗传机理的搜索算法，它模拟了自然选择和自然遗传过程中发生的繁殖、杂交和突变现象。在利用遗传算法求解问题时，问题的每个可能的解都被编码成一个“染色体”，即个体，若干个个体构成了群体（所有可能解），通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，这些个体经过交叉和变异算子进行再组合生成下一代新的种群。这一群新个体由于继承了上一代的一些优良性状，因而在性能上要优于上一代，这样逐步朝着更优解的方向进化。因此，遗传算法可以看作是一个由可行解组成的群体逐代进化的过程。2.2遗传算法的特点遗传算法利用了生物进化和遗传的思想，不同于枚举法、启发式算法、搜索算法等传统的优化方法，具有如下特点。遗传算法是对参数的编码进行操作，而非对参数本身，这就是使得我们在优化计算过程中可以借鉴生物学中染色体和基因等概念，模仿自然界中生物的遗传和进化等机理。遗传算法同时使用多个搜索点的搜索信息。传统的优化方法往往是从解空间的单个初始点开始最优解的迭代搜索过程，单个搜索点所提供的信息不多，搜索效率不高，有时甚至使搜索过程局限于局部最优解而停滞不前。遗传算法从由很多个体组成的一个初始群体开始最优解的搜索过程，而不是从一个单一的个体开始搜索，这是遗传算法所特有的一种隐含并行性，因此遗传算法的搜索效率较高。遗传算法直接以目标函数作为搜索信息。传统的优化算法不仅需要利用目标函数值，而且需要目标函数的导数值等辅助信息才能确定搜索方向。而遗传算法仅使用由目标函数值变换来的适应度函数值，就可以确定进一步的搜索方向和搜索范围，无需目标函数的导数值等其他一些辅助信息。遗传算法可应用于目标函数无法求导数或导数不存在的函数的优化问题，以及组合优化问题等。遗传算法使用概率搜索技术。遗传算法的选择、交叉、变异等运算都是以一种概率的方式来进行的，因而遗传算法的搜索过程具有很好的灵活性。随着进化过程的进行，遗传算法新的群体会更多地产生出许多新的优良的个体。遗传算法在解空间进行高效启发式搜索，而非盲目地穷举或完全随机搜索。遗传算法对于待寻优的函数基本无限制，它既不要求函数连续，也不要求函数可微，既可以是数学解析式所表示的显函数，又可以是映射矩阵甚至是神经网络的隐函数，因而应用范围较广。遗传算法具有并行计算的特点，因而可通过大规模并行计算来提高计算速度，适合大规模复杂问题的优化。3．遗传算法3.1遗传算法的基本流程确定实际问题参数集对参数集进行编码初始化群体P(t)评价群体遗传操作满足停止准则位串解码的参数；计算目标函数；函数值向适应值映射；适应值调整。三个基本算子：选择交叉变异其他高级算子结束群体P(t)群体P(t+1)是否图1 简单遗传算法的流程框图图1为遗传算法的流程图，遗传算法的基本步骤如下：选择编码策略，把参数集合X和域转换为位串结构空间S；定义适应度函数f(X)；确定遗传策略，包括群体规模，选择、交叉、变异算子及其概率。生成初始种群P；计算群体中各个体的适应度值；按照遗传策略，将遗传算子作用于种群，产生下一代种群；迭代终止判定。可行解的编码方法、遗传操作的设计是构造遗传算法时需要考虑的两个主要问题，也是设计遗传算法时的两个关键步骤。对不同的优化问题需要使用不同的编码方法和不同的遗传操作，它们与所求解的具体问题密切相关，因而对所求解问题的理解程度是遗传算法应用成功与否的关键。3.2遗传编码用遗传算法求解问题时，不是对所求解问题的实际决策变量直接进行操作，而是对表示可行解的个体编码的操作，不断搜索出适应度较高的个体，并在群体中增加其数量，最终寻找到问题的最优解或近似最优解。因此，必须建立问题的可行解的实际表示和遗传算法的染色体位串结构之间的联系。在遗传算法中，把一个问题的可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法称之为编码。反之，个体从搜索空间的基因型变换到解空