遗传算法在数学建模中的应用.pdf

华南农业大学数学建模专题讲座 遗传算法在数学建模中的应用 华南农业大学理学院 曾庆茂 联系方法： （1）手机 （2 ）电子邮箱：zengqingmao@scau.edu.cn 1 华南农业大学数学建模专题讲座 第一部分 遗传算法基础理论 1．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。 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。利用遗传算法，可以解决很多标准优化算法解决不了的优化问 题，其中包括目标函数不连续、不可微、高度非线性或随机的优化问题。 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f (x ) x 2 ，x 为自然数，0≤x ≤31 。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x 编码成 5 位长的二进制无符号整数表示形式，比如 x =13 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 2 华南农业大学数学建模专题讲座 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f (x ) x 2 的最大值，因此，能使f (x ) x 2 较大的基因是优的， 使f (x ) x 2 较小的基因是劣的，因此，我们可以将定义f (x ) x 2 为适应度函数， 用来衡量某一生物体的适应程度。 ④ 选择（Selection） 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，我们可以采取赌论 的方式来进行选择。 ⑤ 交叉操作（Crossover ） 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（Mutation ） 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。 以上例子的整个过程如下： 初始群体 01101 11000 01000 10011 x 的值 13 24 8