gatbx遗传算法工具箱之gaSVMcgForClass详细例子选编.doc

PAGE   PAGE \* MERGEFORMAT 9 遗传算法 遗传算法的简单原理 遗传算法(Genetic Algorithm, GA)是一种基于自然群体遗传演化机制的高效探索算法，它摒弃了传统的搜索方式，模拟自然界生物进化过程，采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个体编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作（遗传，交叉和变异），根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜索方式来搜索优化群体中的最优个体，求得满足要求的最优解。 我们先通过一个例子来了解遗传算法的原理： 假定我们要求函数的极大值，其中为自然数，。现在，我们将每一个数看成一个生命体，通过进化，我们看谁能最后生存下来，谁就是我们所寻找的数。 ①．编码:我们将每一个数作为一个生命体，那么必须给其赋予一定的基因，这个过程叫做编码。我们可以把变量编码成5位长的二进制无符号整数表示形式，比如可表示为01101的形式，也就是说，数13的基因为01101。 ②．初始群体的生成: 由于遗传的需要，我们必须设定一些初始的生物群体，让其作为生物繁殖的第一代，需要说明的是，初始群体的每个个体都是通过随机方法产生的，这样便可以保证生物的多样性和竞争的公平性。 ③．适应度评估检测: 生物的进化服从适者生存，优胜劣汰的进化规则，因此，我们必须规定什么样的基因是“优”的，什么样的基因是“劣”的，在这里，我们称为适应度。显然，由于我们要求的最大值，因此，能使函数值较大的基因是优的，使函数值较小的基因是劣的，因此，我们可以将原函数定义为适应度函数，用来衡量某一生物体的适应程度。 ④．选择：接下来，我们便可以进行优胜劣汰的过程，这个过程在遗传算法里叫做选择。注意，选择应该是一个随机的过程，基因差的生物体不一定会被淘汰，只是其被淘汰概率比较大罢了，这与自然界中的规律是相同的。因此，我们可以采取赌轮的方式来进行选择。 ⑤．交叉操作：接下来进行交叉繁殖，随机选出两个生物体，让其交换一部分基因，这样便形成了两个新的生物体，为第二代。 ⑥．变异：生物界中不但存在着遗传，同时还存在着变异，在这里我们也引入变异，使生物体的基因中的某一位以一定的概率发生变化，这样引入适当的扰动，能避免局部极值的问题。 以上的算法便是最简单的遗传算法，通过以上步骤不断地进化，生物体的基因便逐渐地趋向最优，最后便能得到我们想要的结果。 2． 遗传算法的步骤 从上面的例子中，我们便能得到遗传算法的一般步骤，如下图所示： 3． 遗传算法的应用 遗传算法主要是用来寻优，它具有很多优点：它能有效地避 免局部最优现象，有及其顽强的鲁棒性，并且在寻优过程中，基本不需要任何搜索空间的知识和其他辅助信息等等。为了介绍遗传算法的应用，我们将前面的例子进行完，整个过程如下： 初始群体 01101 11000 01000 10011 x的值 13 24 8 19 适应度 169 576 64 361 选择概率 0.14 0.49 0.06 0.31 选择上的计数（来自赌轮） 1 2 0 1 交叉处 0110|1 1100|0 11|000 10|011 下一代群体 01100 11001 11011 10000 x的值 12 25 27 16 适应度 144 625 729 256 求解过程：将自变量在给定的范围内进行编码，得到种群编码，按照所选择的适应度函数并通过选择复制，交叉重组与变异对个体进行筛选与进化，使适应度值大的个体被保留，适应度小的个体被淘汰，新的群体继承了上一代的信息，同时又优于上一代，这样反复循环，直到满足条件，最后留下来的个体集中分布在最优解周围，筛选出其中的个体作为问题的解。 4．遗传算法的程序设计 （1）谢尔菲德遗传算法工具箱英国谢尔菲德大学开发 ①特点：1）使用MATLAB高级语言编写； 2）对问题使用M文件编写，