遗传算法与优化问题(重要_有代码)概要.doc

实验十 遗传算法与优化问题 一、问题背景与实验目的 遗传算法（Genetic Algorithm—GA），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，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位． 本实验将首先介绍一下遗传算法的基本理论，然后用其解决几个简单的函数最值问题，使读者能够学会利用遗传算法进行初步的优化计算． 1．遗传算法的基本原理 遗传算法的基本思想正是基于模仿生物界的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表在计算机里，从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程．群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要目前生物界对此学说尚有争议．由于遗传算法是由进化论和遗传学机理而产生的直接搜索优化方法；故而在这个算法中要用到各种进化和遗传学的概念．这些概念如下概率概率值变异概率概率值，求 ． 注：这是一个非常简单的二次函数求极值的问题，相信大家都会做．在此我们要研究的不是问题本身，而是借此来说明如何通过遗传算法分析和解决问题． 在此将细化地给出遗传算法的整个过程． （1）编码和产生初始群体 首先第一步要确定编码的策略，也就是说如何把到2这个区间内的数用计算机语言表示出来． 编码就是表现型到基因型的映射，编码时要注意以下三个原则： 完备性：问题空间中所有点（潜在解）都能成为GA编码空间中的点（染色体位串）的表现型； 健全性：GA编码空间中的染色体位串必须对应问题空间中的某一潜在解； 非冗余性：染色体和潜在解必须一一对应． 这里我们通过采用二进制的形式来解决编码问题，将某个变量值代表的个体表示为一个{0，1}二进制串．当然，串长取决于求解的精度．如果要设定求解精度到六位小数，由于区间长度为，则必须将闭区间 分为等分．因为 所以编码的二进制串至少需要22位． 将一个二进制串（b21b20b19…b1b0）转化为区间内对应的实数值很简单，只需采取以下两步（Matlab程序参见附录4）： 1）将一个二进制串（b21b20b19…b1b0）代表的二进制数化为10进制数： 2） 对应的区间内的实数： 例如，一个二进制串a=1000101110110101000111表示实数0.637197． =(1000101110110101000111)2=2288967 二进制串0000000000000000000000，1111111111111111111111，则分别表示区间的两个端点值-1和2． 利用这种方法我们就完成了遗传算法的第一步——编码，这种二进制编码的方法完全符合上述的编码的三个原则． 首先我们来随机的产生一个个体数为4个的初始群体如下： pop(1)={ 1101011101001100011110， %% a1 1000011001010001000010， %% a2 0001100111010110000000， %% a3 0110101001101110010101} %% a4（Matlab程序参见附录2） 化成十进制的数分别为： pop(1)={ 1.523032，0.574022 ，-0.697235 ，0.247238 } 接下来我们就要解决每个染色体个体的适应值问题了． （2）定义适应函数和适应值 由于给定的目标函数在内的值有正有负，所以必须通过建立适应函数与目标函数的映射关系，保证映射后的适应值非负，而且目标函数的优化方向应对应于适应值增大的方向，也为以后计算各个体的入选概率打下基础． 对于本题中的最大化问题，定义适应函数，采用下述方法： 式中既可以是特定的输入值，也可以是当前所有代或最近K代中的最小值，这里为了便于计算，将采用了一个特定的输入值． 若取，则当时适应函数；当时适应函数． 由上述所随机产生的初始群体，我们可以先计算出目标函数值分别如下（Matlab程序参见附录3）： f [pop(1)]={ 1.226437 , 1.318543 , -1.380607 , 0.933350 } 然后通过适应函数计算出适应值分别如下（Matlab程序参见附录5、附录6）： 取， g[pop(1)]= { 2.226437 , 2.318543 ,