遗传算法1.pptVIP

遗传算法 黄静雯 2014050427 目录 遗传算法介绍 遗传算法特点 遗传算法计算过程 遗传算法的不足之处 遗传算法应用 基于遗传算法的路径问题优化 遗传算法介绍 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化， 如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。 遗传算法特点 遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。搜索算法的共同特征为： ① 首先组成一组候选解 ② 依据某些适应性条件测算这些候选解的适应度 ③ 根据适应度保留某些候选解，放弃其他候选解 ④ 对保留的候选解进行某些操作，生成新的候选解。 遗传算法还具有以下几方面的特点： (1)遗传算法从问题解的串集开始搜索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始搜索，覆盖面大，利于全局择优。 (2)遗传算法同时处理群体中的多个个体，即对搜索空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。 (3)遗传算法基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。 (4)遗传算法不是采用确定性规则，而是采用随机的变迁规则来指导他的搜索方向。 (5)具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织搜索时，适应度大的个体具有较高的生存概率，并获得更适应环境的基因结构。 (6)此外，算法本身也可以采用动态自适应技术，在进化过程中自动调整算法控制参数和编码精度，比如使用模糊自适应法。 遗传算法计算过程 遗传算法通常包含以下几个步骤。 Step 1: 构造满足约束条件的染色体，将问题的解使用有效且通用的编码方式转变成计算机能够识别的字符串； Step 2: 利用其他算法生产一组可行解，再随机产生一定数量的初始种群； Step 3: 定义或设计一个适应度函数，求出染色体的适应度值。适应度是唯一能够衡量染色体优劣的参数，最终的目的就是寻求适应度值最大的染色体，则为满意解； Step 4: 进行遗传算子（复制、选择、交叉、变异）操作产生下一代种群，复制是将适应度高的个体保留下来再复制延续下去，交叉则是将父代的某种特性传递给子代，变异则是改变个体中的字串，使得种群具有多样性； Step 5: 重复步骤 Step 3、Step 4 直到满足终止条件为止。 遗传算法的参数设置包括最大迭代步数、种群规模、交叉率、变异率和终止条件设计。 遗传算法不足之处 (1)编码不规范及编码存在表示的不准确性。 (2)单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。 (3)遗传算法通常的效率比其他传统的优化方法低。 (4)遗传算法容易过早收敛。 (5)遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。 遗传算法应用 遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，下面是遗传算法的一些主要应用领域： 函数优化 对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果。 组合优化 实践证明，遗传算法对于组合优化中的NP问题非常有效。例如遗传算法已经在求解旅行商问题、 背包问题、装箱问题、图形划分问题等方面得到成功的应用。 车间调度 从最初的传统车间调度（JSP）问题到柔性作业车间调度问题（FJSP），遗传算法都有优异的表现，在很多算例中都得到了最优或近优解。 基于遗传算法的路径问题优