遗传算法例子..docVIP

基于此共同点，人们总结出了最基本的遗传算法——基本遗传算法。基本遗传算法只使用选择、、、｛｝｛｝种不同的编码，若参数与编码的对应关系为 00000000000…0 →a 00000000000…1 →a+δ ? ? ? 111111111111…-1→b 则二进制编码的编码精度 假设某一个个体的编码是，则对应的解码公式为 例如，对于[0,1023],若用长度为10的二进制编码来表示该参数的话，则下述符号串： =0010101111 就表示一个个体，它对应的参数值是=175.此时的编码精度为1. 二进制编码方法相对于其它编码方法的优点，首先是编码、解码操作简单易行；其次是交叉遗传操作便于实现；另外便于对算法进行理论分析。 2. 个体适应度函数 在遗传算法中，根据个体适应度的大小来确定该个体在选择操作中被选定的概率。个体的适应度越大，该个体被遗传到下一代的概率也越大；反之，个体的适应度越小，该个体被遗传到下一代的概率也越小。基本遗传算法使用比例选择操作方法来确定群体中各个个体是否有可能遗传到下一代群体中。为了正确计算不同情况下各个个体的选择概率，要求所有个体的适应度必须为正数或为零，不能是负数。这样，根据不同种类的问题，必须预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目标函数值为负数时的处理方法。 设所求解的问题为：， . 对于求目标函数最小值的优化问题，理论上只需简单地对其增加一个负号就可将其转化为求目标函数最大值的问题，即 当优化问题是求函数最大值，并且目标函数总取正值时，可以直接设定个体的适应度函数值就等于相应的目标函数值，即. 但实际目标优化问题中的目标函数有正也有负，优化目标有求函数最大值，也有求函数最小值，显然上面两式保证不了所有情况下个体的适应度都是非负数这个要求，必须寻求出一种通用且有效的由目标函数值到适应度之间的转换关系，有它来保证个体适应度总取非负值。 为满足适应度取负值的要求,基本遗传算法一般采用下面方法将目标函数值变换为个体的适应度 对于求目标函数最大值的优化方法问题，变换方法为 0 式中，为一个适当的相对比较小的数，它可以是预先指定的一个较小的数，或进化到当前代为止的最小目标函数值，又或当前代或最近几代群体中的最小目标函数值。 3.基本遗传操作方法 （1）比例选择：选择或称复制，建立在对个体适应度进行评价的基础之上。其作用是从当前群体中选择出一些比较优良的个体，并将其复制到下一代群体中。基本遗传算法采用比例选择的方法，所谓比例选择，是指个体在选择操作中被选中的概率与该个体的适应度大小成正比。 （2）单点交叉。单点交叉又称简单交叉，是遗传算法所使用的交叉操作方法。 （3）基本位变异。基本位变异石最简单和最基本的变异操作，也是基本遗传算法中所使用的变异操作方法。对于基本遗传算法中用二进制编码符号串所表示的个体，对需要进行变异操作的某一基因，若原有基因值为0，则变异操作将该基因值变为1；反之，若原有基因值为1，则变异操作将其变为0. 4.基本遗传算法的运行参数 执行基本遗传算法时，有4个参数需要事先指定。它们是群体的大小M、交叉概率、变异概率及终止的代数T. 群体大小M.群体的大小M表示群体中所含个体的数量。当M取值较小时，可提高遗传算法的运算速度，但却降低了群体的多样性，有可能会引起遗传算法的早熟现象；而当M取值较大时，又会使得遗传算法的运行效率偏低。一般建议范围是20~100. 交叉概率。交叉操作室遗传算法产生新个体的主要方法，所以交叉概率一般应取较大值。但若取值过大的话，它又会破坏群体活动的优良模式，对进化运算反而产生不利影响；若取值过小的话，产生新个体的速度有太慢。一般建议的取值范围是0.4~1.00. 变异概率。若变异概率取值较大的话，虽能够产生出较多的新个体，但也有可能破坏掉很多较好的模式，使得遗传算法的性能近似于随机搜索算法的性能；若变异概率取值太小的话，则变异操作产生新个体的能力和抑制早熟现象的能力就会较差。一般建议的取值范围是0.001~0.1. 终止代数T.终止代数T式表示遗传算法运行结束条件的一个参数，它表示遗传算法运行到指定的进化代数之后就停止运行，并将当前群体中的最佳个体作为所求问题的最优解输出。一般建议的取值范围是100~1000. 至于遗传算法的终止条件，还可以利用某种判定准则，当判定出群体已经进化成熟且不再有进化趋势时就可终止算法的运行过程。如连续几代个体平均适应度的差异小于某一个极小的值；或者群体中所有个体适应度的方差