标准遗传算法的原理及算例.pdfVIP

标准遗传算法的原理及算例 唐穗欣 (武汉科技大学中南分校 现代教育技术学院 , 湖北 武汉 43 02 23 ) 摘 要 : 由于遗传算法求解复杂优化问题的 巨大潜力及其在工 业工程领城的成功 应用 , 这种算法 受到广泛关 注 。 叙述 了遗传算法的原理 , 并以 实例 介绍 了遗传算法的具体用法 、 步珠 , 对那些数学方法难以奏效 的问题提 出 了一种新的处理 方法 。 关健词 :遗传算法 ; 再生 ; 交叉 ; 变异 ;算例 中圈分类号月T弓0 1 . 6 文献标识码 :A 文章编号: 167 2 一 78 00 (2 00 7)0 1 一0 10 0 一 02 0 前言 遗传算法(Ge ne ti c Al g o ri t hm s 简称 GA ) 是 由美 国 Mi ch igan 大学 的 Jo h n H ol l an d 教授于 197 5 年创建的 。 它来源于达尔文 的进化论 、 孟德尔的群体遗传学说和魏茨 曼的物种选择学说 。 其基本思想是模拟 自 然界遗传机制和生物进化论而形成的一 种过程搜索最优解的算法 。 作为一种新的优化算法 , 遗传算法的 特点是几乎不需要所求问题的任何信息 , 仅需要目标函数的信息 , 不受搜索空间是 否连续或可微的限制就可找到最优解 。 依 据它的并行性 , 非常适用于大规模并行计 算机 。 因此 , 遗传算法广泛地应用于 自动 控制 、 计算科学 、 模式识别 、 工 程设计 、 智 能故障诊断 、 管理科学和社会科学领域 , 适用 于解决复杂的非线性和多维空间寻 优问题 I ,l 。 与传统搜索算法不同 , 遗传算法从一 组随机产生的初始解(称为群体)开始搜索 过程 , 群体中的每个个体是问题的一个解 (称为染色体 ) , 这些染色体在后续迭代中 不断进化 (称为遗传 )14 。 遗传算法主要通过交叉 、 变异 、 选择 运算实现 。 交叉或变异运算生成下一代染 色体 (称为后代 ) , 染色体的好坏用适应度 来衡量 , 根据适应度的大小从上 一代和后 代中选择一定数量的个体 , 作为下一代群 体 , 再继续进化 , 这样经过若干代之后 , 算 法收敛于最好的染色体 , 它很可能就是问 题的最优解或次优解 。 遗传算法中使用适 应度这个概念来度量群体中的各个个体 。 编码 、 生成初始种群 计算与评价种群中个体适应度 物种选择 交叉 变异 1 遗传算法的墓本原理 遗传算法 (GA )是建立在 自然选择和 群体遗传学机理基础上的随机 、 迭代 、 进 化 、 具有广泛适应性的搜索方法 。 GA 搜索 结合了达尔文适者生存和 随机信息交换 的思想 , 前者消除了解中不适应因素 , 后 者利用了原有解中已知的知识 , 从而有力 地加快了搜索过程 。 2 标准算法的基本步骤 CA 的基本思想是把待优化问题的参 数编码成二进制位串的形式 , 然后由若干 个位串形成一个初始种群作为待求间题 的候选解 , 使用再生 (R e p red u e t io n ) 、 交叉 (Cro s s o v e r) 和变异(M u ta t io n )3 种算子进行 操作 , 不断迭代优化 , 直到找到最优解 。 经典遗传算法的计算流程如图 1 所 示 。 从图中可以看出 , 遗传算法是一种种 群型操作 , 该操作以种群中的所有个体为 对象 。 具体求解步骤如下 : ( l) 编码 。 确定用何种码制 , 然后将问 题参数编码形成基因码链 . 每一个码链代 图 1 遗传算法结构圈 表一个个体 , 表示优化问题的一个解 。 (2) 初始化 。 随机产生一个规模为 P的 初始种群 , 其中每个个体为一定长度的码 链 , 该群体代表优化问题的一些可能解的 集合 。 (3) 估计适应度 。 计算种群中每个个 体的适应度 , 适应度为群体进化时的选择 提供了依据 。 一般来说适应度越高 , 解的 素质越好 。 适应度函数可以根据目标函数 而定 。 (4 )再生(选择) 。 根据每个个体的相对 适应度 , 计算每个个体的再生次数 , 并进 行再生操作 , 产生新的个体加人 下一代群 作者简介:磨穗欣 (19 73 一 ) , 男 , 广东汕尾人 , 武汉理 工大学 自动化学院硕 士研究生 , 研究方向为智能控 制 。 , o 软件导刊 · 20 7 · 1月号 体 中 , 一般再生的概率与其适应度成正 比 。 ( 5) 交叉 。 从种群中随机选择两个染 色体 , 按一定的概率进行基因交换 . 交换 位置的选取是随机的 。 ( 6) 变异 。 从种群中随机地选择一个 染色体 , 按一定的变异概率 P 进行基因变 异 ; GA 的搜索能力主要是 由选择与交叉 赋于的 , 变异算子则保证了算法能搜索到