进化计算文献综述..docVIP

分 数: ___________ 任课教师签字：___________ 华北电力大学研究生结课作业 学 年 学 期：2011-2012第二学期 课 程 名 称： 人工智能与知识工程 学 生 姓 名：刘鹏 学 号： 2112221004 提 交 时 间：2012年4月11日 遗传算法介绍1.1 遗传算法的基本思想 现代科学理论研究与实践中存在着大量与优化、自适应相关的问题，但除了一些简单的情况之外，人们对大型复杂系统的优化和自适应问题仍然无能为力。然而，自然界的生物却在这一方面表现出了气优异的能力，它们能以优胜劣汰、适者生存的进化规则生存和繁衍，并逐步产生对其生存环境自适应很高的优良品种。遗传算法正是借鉴生物的自然选择和遗传进化机制而开发出的一种全局优化自适应概率搜索算法。 遗传算法（Genetic Algorithm）是模拟达尔文的遗传选择和自然淘汰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。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，开发出了许多不同的遗传算子来模仿不同环境的生物遗传特性。这样，由于不同的编码方法和不同的遗传算子就构成了各种不同的遗传方法。但这些遗传方法都有共同的特点，即通过对生物的遗传和进化过程中的选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。 遗传算法使用群体搜索技术，通过对当前群体施加选择、交叉、变异等一系列遗传操作，从而产生出新的一代群体，并逐步使群体进化到包含或接近最优解的状态。 1.2遗传算法的一般特点 遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。其中，遗传算法基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。这种特殊的组合方式将遗传算法与其它搜索算法区别开来。 遗传算法具有以下几方面的特点： (1)遗传算法从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。 　　(2)许多传统搜索算法都是单点搜索算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。 　　(3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。 　　(4)遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导搜索方向。 (5)具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。 1.3 遗传算法的构成要素 X=1001010001111001 就表示一个个体，该个体的染色体长度是n=16。 （2）个体适应度评价。遗传算法按与个体适应度的成正比的概率来决定当前群体中每个个体遗传到下一代群体机会多少。为正确计算这个概率，这里要要求所有个体适应度必须为正数或零，必须先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数为负值时的处理方法。 （3）遗传算子。基本遗传算法使用下述三种遗传算子： 1、选择运算使用比例算子； 2、交叉运算使用单点交叉算子； 3、变异运算使用基本位变异算子或均匀变异算子； （4）基本遗传算法的运行参数。基本遗传算法有下述4个运行参数需要提前设定： 1、群体大小，即群体中所含个体的数量，一般为40~200。 2、遗传运算的终止进化代数，一般为200~1000。 3、交叉概率，一般为0.4~0.99。 4、变异概率，一般为0.001~0.1。 上述4个运算参数对遗传算法的求解结果和求解效率都有一定的影响，但目前尚无合理选择的依据。在遗传算法的实际应用中，往往需要经过多次试算后才能确定出这些参数合理的取值大小或取值范围。 1.4遗传算法的基本操作 遗传算法的基本操作主要有如下三个： （1）选择（Selection Operator） 选择算子是从群体中选择优胜的个体，淘汰劣质个体的操作，