遗传算法在电梯设计中的应用现状遗传算法在电梯设计中的应用现状.doc

遗传算法在电梯中的应用现状 摘要：随着我国社会各个行业的不断向前发展，高层建筑和智能化建筑的逐渐出现并不断更新换代，电梯作为垂直运输工具，受到了人们越来越多的青睐，与此同时，对电梯的要求也越来越高，遗传算法作为电梯控制所运用的算法，必须不断进行优化与调整，这样才能真正提高电梯的工作效率，本文结合实际，从遗传算法的基本思想与特点、遗传算法的产生和发展、遗传算法在电梯中的应用现状等几个方面进行了具体的剖析，并提出了一些自身的看法与建议。 小清新：遗传算法 电梯控制 应用现状 智能建筑 一、定义和综述 （一）遗传算法的定义与核心思想 遗传算法开始于代表问题潜在解集的一个种群，这个种群中的每个个体叫做染色体，每个种群都是由一定数量基因编码的染色体组成的，每一条染色体都是某个特征的实体。染色体是多个基因的集合，它是遗传物质最主要的载体，染色体的内部表现也就是基因型是某种基因组合，这种基因组合控制着个体形状的外部表现，比如人们的眼睛是蓝色还是黑色，就是由染色体中控制着眼睛颜色特征的某种基因组合来决定的。所以我们不难看出，在一开始需要实现从表现型到基因型的映射（即编码工作）。但是鉴于仿照基因编码的工作异常复杂，人们通常要对其进行简化，例如二进制码。在初代种群产生后，便开始依照优胜劣汰、适者生存的原则，逐代的进行演变与进化，不断的产生更好的近似解。在这个过程中，根据问题域中个体的适应度好坏还对个体进行挑选，而且借助自然遗传学的遗传算子进行组合交叉与变异，最后产生出代表新解集的种群。这个过程和自然进化是非常相似的，进化后的种群比进化前的种群对环境的适应能力要强很多，其最后一代种群中的最优个体经过解码，可以作为问题近似最优解。遗传算法运用了自然进化模型，如选择、交叉、变异等。在计算开始时，—定数目 N 个个体(父个体 l、父个体 2、父个体 3、父个体 4…)即种群随机地初始化，并计算每个个体的适应度，第一代即初始代便产生了。如果不满足优化准则，开始产生新一代的计算，为了产生下一代，按照适应度选择个体，父代要求基因重组和基因交叉来产生子代。所有的子代按一定概率进行变异，然后子代的适应度又被重新计算，子代被插入到种群中将父代取而代之，构成新的代(子个体 1、子个体 2、子个体 3、子个体 4…)。这一过程循环进行，直到最终满足优化准则。 （二）遗传算法的特点 我们知道，传统的优化方法主要有三种：启发式算法、枚举法与搜索算法。由于问题的的种类不同以及问题规模的不断发展，这三种优化方法的问题便明显地凸显了出来，这就要求人们必须找到一种能够以有限的代价来解决搜索和优化的通用方法，而遗传算法正是人们找到的解决搜索与优化的有效途径，它和传统的优化方法相比有着很大的区别，这些区别主要表现在以下几个方面：（1) 自组织、自适应和自学习性(智能性)。应用遗传算法求解问题时，在编码方案、适应度函数及遗传算子确定后。算法将利用进化过程中获得信息自行组织搜索。由于自然选择的一般原则为“优胜劣汰，适者生存”，这就使得适应度高的个体获得了较高的生存概率。一般情况下，适应度大的个体的有着更加适应环境的基因结构，再通过基因重组和基因突变等遗传操作，就可能产生对环境适应能力更好的后代。进化算法的这种自组织、自适应特征，使它同时具有自学习能力，遗传算法具有发现环境特征和规律变化的能力。因此，利用遗传算法的方法，我们可以解决那些复杂的非结构化问题。（2)遗传算法本质并行性。遗传算法按并行方式搜索一个种群数目的点，而不是单点。它的并行性表现在两个方面，一是遗传算法是内在并行的，即遗传算法本身非常适合大规模并行。最简单的并行方式是让几百甚至数千台计算机各自进行独立种群的演化计算。运行过程中甚至不进行任何通信，等到运算结束时才通信比较，选取最佳个体。这种并行处理方式对并行系统结构没有什么限制和要求。二是遗传算法的内含并行性。由于遗传算法采取种群的方式组织搜索，因而可同时搜索解区间内的多个区域，并相互交流信息。使用这种搜索方式，虽然每次只执行与种群规模 n 成比例的计算，但实质上已进行了大约 O(n3)次有效搜索，这就使遗传算法能以较少的计算获得较大的收益。 二、遗传算法的产生和发展现状 1950年，部分科学家开始探讨如何将科学、进化的思想发展为工程问题的优化工具，这就是最早遗传算法的雏形阶段。后人称为“人工进化系统”研究。到1960年初，德国柏林工业大学的一些做风洞实验的学者在不经意发现使用生物变异的理念可以很容易的改变参数值，这就解决了用一般常用的方法很难优化设计中所描述物体形状的参数的世界难题，到1965年，位串编码技术上述研究的基础上又运用而生，这种编码方式的重点是将交叉操作和变异操作能够作为主要的遗传操作；科研人员提出的这编码方式不仅可以适用于交叉操作还可以适用