08遗传算法和其在生物反应.pptVIP

8. 遗传算法及其在生物反应过程研究中的应用;8.1 引言;60年代，美国Michigan大学Holland教授等人认为：只要适当地结合计算机技术，就能产生一种类似自然界以进化方式解决各类问题的技术。 把实际问题用二进制数字（0.1）代码串表示，然后把这种二进制代码串视为“染色体”并对其进行变换。用该方法无需知道所要解决问题的类型，所需的唯一信息是它们在搜索过程中所产生的针对每个染色体的评价值，根据这些评价值对染色体进行迭代处理，从中发现并保存好的染色体，从而得到问题的最优解。 1975年Holland教授发表了标志GA诞生的代表作，但没有受到足够的重视。80年代后，随着计算机技术的进步和人工神经网络、人工生命及机器学习理论的发展，GA在理论和应用方面都得到了较大的发展。;Bagley、Hollstien、De Jong等人对遗传算法中所涉及到的有关数学方面的问题以及遗传算法在纯数学方面的应用进行了研究。 Goldberg成功地将遗传算法应用于管道系统的优化和机器学习问题，他所著的《Genetic Algorithms in Search，Optimization and Machine Learning》一书全面阐述了GA的发展历程、现状、各种算法和应用实例，有力地促进了GA在工程技术中的广泛应用。 自从1985年召开了首届遗传算法国际会议（ICGA：International Conference on Genetic Algorithms）以来，ICGA以每两年一度的频率汇集了一大批对遗传算法理论与实践感兴趣的人。据统计1983年全世界发表的有关遗传算法的文献为19篇，到1993年已达600篇。; 1991年由Davis编著国际上出版了第一本《遗传算法手册》。由De Jong主编，MIT出版社出版，1993年创刊的杂志Evolutionary Computation为遗传算法理论发表提供了论坛。 在全球信息网上也专门开辟了GA的讨论组(GA－List－Request@AIC.NRL.NAVY.MLL有关网址有：ttp:/galist)，每星期发布一次国际上有关GA的学术活动及信息交流等方面的信息。 GA的初期应用研究主要围绕组合优化问题求解，近些年来它已迅速地扩展到机器学习、设计规划、系统控制、模式识别、人工生命等众多科学技术领域。;8.2 GA的运行过程与特点;;图8.1 遗传算法的一般运行过程; (1) 基因编码：将求解问题中每一个变量看作一个基因，根据各个变量的类型和取值范围，选择合适位数的码分别对其进行编码，简称基因码，如x＝[a1,a2,a3]。 编码策略有二进制编码和实数编码等，若采用二进制码表达实数，每个二进制位即为一个基因，如果一维参数x∈[a , b]， 则 (8.3) 其中，l是串的长度，gi为第i个基因。; (2) 建立个体：将各个变量的基因码按一定顺序排列和连接，组合成个体。特定取值的各个变量组成的一个编码串，称为个体的一个基因型。例如，求解问题中包含有两个变量，其基因码分别为：x＝[a1,a2,a3]和y＝[b1,b2]，如果按x到y的顺序连接，则一个个体为：A＝[x , y]＝[a1,a2,a3, b1,b2]。 (3) 建立种群：生物在自然界是以种群的形式生存的。在t时刻，随机产生n个个体组成一个群体：P(t)＝[A1,A2,...,An ]，该群体代表优化问题的一些可能解的集合。作为进化起点的初始种群P(0)可以用随机方式或其它方式产生。; (4) 评价：根据求解问题的函数关系和编码规则，将群体P(t)中的每一个体的基因码所对应的自变量取值(xi, yi, zi )代入式(8.2)，算出其函数值Fi，i＝1,2...n。Fi 越大，表示该个体有较高的适应性，更适应于f的定义的生存环境。适应度Fi 为群体进化时的选择提供了依据。 (5) 繁殖（或复制）：按一定的繁殖概率Ps 从群体P(t)中选取M对个体，作为双亲用于繁殖后代，产生新的个体加入下一代群体P(t+1)中。Ps 的大小取决于每个个体的适应度函数Fi。适应度越高，则复制概率越大。也就是说，适应于生存环境的优良个体将有更多的繁殖后代的机会，从而使优良特性得以遗传。繁殖是遗传算法的关键，它体现了自然界中适者生存的思想。;(6) 杂交（或交叉）：对于选中的用于繁殖的每一对个体，按某一概率Pc从某一位置相互交叉，如个体A1 和A2交叉产生新一代的个体B1和B2，它们组合了父辈个体A1 和A2 的特征，即 A1=101┇0101001 B1= 101┇1110010