遗传算法讲稿.doc

遗传算法 第一节 遗传算法简介 1.1 进化计算 神经网络是人类对大脑的信息处理机制的模拟； 模糊系统是人类对其思维方式的模拟； 进化计算是对其自身的演化这一宏观过程的模拟。 人类之所以能够向其自身的演化学习以增强决策问题的能力，是因为自然演化过程本质就是一个学习与优化的过程，这一优化过程的目的是使生命体达到适应环境的最佳结构与效果。 曾经主宰地球的恐龙由于庞大的身躯跟不上环境的变迁而灭绝，长颈鹿为了觅食而长长了脖子，人类解放出有力的双手，得意于类人猿求生的努力，而正是这一对不再用于走路的双手，使人类成为地球的主宰。自然演化遵循着一种奇妙的规律，这一规律不同于人类自己发明的解析方法。 （恐龙、长颈鹿、人类双手） （人类体温：36.8℃， 梯度下降法、目前的解析方法。） 自然演化的规律是达尔文发现的，他的核心思想是：物竞天泽，适者生存。 生物进化过程的发生需要四个基本条件：①存在由多个生物个体组成的种群；②生物个体之间存在着差异，或群体具有多样性；③生物能够自我繁殖；④不同个体具有不同的环境生存能力，具有优良基因的个体繁殖能力强，反之则弱。 在数十亿年的进化过程中，生物为了个体适应环境生存和繁衍更好的后代，在自身的形态、习性和能力等多方面进行变革。 生物群体的进化机制有三种基本形式： （1）自然选择：控制生物群体行为的发展方向，能够适应环境变化的生物个体具有更高的生存能力，使得它们在种群中的数量不断增加，同时该生物所具有的染色体性状特征在自然选择中得以保留。 （2）杂交：通过杂交随机组合来自父代染色体上的遗传物质，产生不同于父代的染色体。 （3）突变：随机改变父代个体的染色体上的基因结构，产生具有新染色体的子代个体。变异是一种不可逆过程，具有突发性、间断性和不可预测性，对保证群体的多样性具有不可替代的作用。 我们从生物进化过程得到的启示： 进化是自然界“物竞天泽，适者生存，不适者淘汰”的优胜劣汰，是一个巧妙的适应环境的优化过程； 这种优化不是靠单个个体实现，而是由一代又一代的种群同时进行。实质是一个大规模并行优化的求解过程；在搜索高维求解空间中的合适解点时，大大降低了时间复杂性； 生物在进化过程中，通过重组和变异，能在更大范围内生成品质更好、更能适应环境变化的后代，也就是搜索的可能解空间大大扩大了； 在一定的环境约束下寻找满意解，而不是最优解。 由于以上原因，仿照生物群体进化过程的进化计算，从20世纪六七十年代以来得到发展和应用。根据研究方向和命题名称的不同，进化计算有三方面内容： 遗传算法：（Genetic Algorithms）1975年由美国Mdaxue John H. Holland提出，由Kenneth De Jong将其首次应用于解决优化问题； 进化编程：（Evolutionary Programming） 进化策略：（Evolution Strategies） 遗传算法、进化编程、进化策略是由有关学者独立的发展起来的，虽然他们的思路都是仿效生物进化过程来实现进化计算，但是在具体的算法步骤、进化方式的侧重点等方面还是有所不同的。我们重点介绍在优化计算中应用得较为普遍的遗传算法。 1.2 遗传算法的发展与现状 遗传算法的最早雏形出现在Fraser的论文（1962年）中，他是一位生物学家，试图仿真出突变和选择交互作用的进化过程。提出与现在遗传算法相似的概念与思想，但Fraser并未意识到自然遗传方法可以转化为人工遗传算法。 在1975年Holland的第一本关于遗传算法的书Adaptation in Natural and Artificial Systems（自然与人工系统中的适应性行为）中开创了遗传算法这一领域。系统阐述了遗传算法的基本理论和方法，提出了对遗传算法的理论发展极为重要的模式理论（schema theory）。从而形成了今天称之为简单遗传算法的基础。 此后，遗传算法覆盖了三个主要研究领域：基本遗传算法的研究，用遗传算法进行优化，和带有分类系统的机器学习。 在过去10年中，遗传算法在实际中的应用大大增加。许多研究者开始对给定问题的搜索空间采用更自然的表达方式，这样就发展了一些适于新的数据结构的新遗传算法。于是，遗传算法的这些扩展和改进就给一般问题，特别是工业工程中难解的优化问题的求解带来了新的有希望的方向。 当前一个特别值得重视的趋势是一些面向对象的智能技术，其中主要是模糊逻辑（Fuzzy Logic，FL），神经网络（Neural Network，NN）以及GA等的综合应用。FL有较强的知识表达能力，NN的长处在于学习，它们与GA相结合形成新的集成化技术，即所谓的混合智能系统（Hybrid Intellectual System）。这一思想在90年代初步形成，而由模糊