(遗传算法+洗衣机).docVIP

一、基于遗传算法的函数逼近 1 遗传算法的特点及优化设计 1.1 遗传算法的特点 （1）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； （2）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。 （3）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。 第 2 页 （共 24 页）（4）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。 （5）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； （6）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； （7）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。 1.2 遗传算法的优化设计 （1）染色体编码方法 基本遗传算法使用固定长度的二进制符号来表示群体中的个体，其等位基因是由二值符号集{0,1}所组成。初始个体基因值可用均匀分布的随机值生成，如就可表示一个个体，该个体的染色体长度是18。 （2）个体适应度评价：基本遗传算法与个体适应度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中的概率多少。为正确计算这个概率，要求所有个体的适应度必须为正数或零。因此，必须先确定由目标函数值J到个体适应度f之间的转换规则。 （3）遗传算子：基本遗传算法使用下述三种遗传算子： 第 3 页 （共 24 页）① 选择运算:使用比例选择算子； 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 有下述4个运行参数需要提前设定： M：群体大小，即群体中所含个体的数量，一般取为20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99； Pm：变异概率，一般取为0.0001~0.1。 2 遗传算法逼近仿真实例 利用遗传算法求下述函数的极大值： 求解该问题遗传算法的构造过程： （1）确定决策变量和约束条件； （2）建立优化模型； （3）确定编码方法 用长度为10位的二进制编码串来分别表示两个决策变量,。10位二进制编码串可以表示从0到1023之间的1024个不同的数，故将,的定义域离散化为1023个均等的区域，包括两个端点在 第 4 页 （共 24 页）内共有1024个不同的离散点。从离散点-3.282到离散点3.282，分别对应于从0000000000(0)到1111111111(1023)之间的二进制编码。将,分别表示的两个10位长的二进制编码串连接在一起，组成一个20位长的二进制编码串，它就构成了这个函数优化问题的染色体编码方法。使用这种编码方法，解空