遗传算法在Lorentz型重叠峰分解中的尝试.docVIP

遗传算法在Lorentz型重叠峰分解中的尝试 　　摘要： 遗传算法作为一种鲁棒性很强的优化方法，由于不依赖于问题的具体领域，因此广泛应用于很多学科，在重叠峰信号的分解中也被越来越多的讨论和尝试。本文从分析计算机模拟Lorentz重叠峰入手，介绍遗传算法程序的设计、流程及数据分析等过程，并在遗传算法的改进方面作出了一些尝试。 　　Abstract： Since the problems do not depend on the specific areas, Genetic Algorithm as a method of strong robustness is widely used in many subjects and it is more and more discussed and tried in the decomposition of overlapping peaks. This thesis introduced processes of design, process and data analysis of Genetic Algorithm program and made several attempts in improvements of Genetic Algorithm from analyzing Lorentz overlapping peaks of computer simulation. 　　关键词： 遗传算法; Lorentz重叠峰 　　Key words： Genetic Algorithm; Lorentz overlapping peaks 　　中图分类号：O17文献标识码：A文章编号：1006-4311（2011）04-0208-01 　　 　　1重叠峰分解曲线拟合的数学原理 　　1.1 光谱谱线峰形对于大多数原子或离子发射谱线，其波形是由于不均匀展宽所致，服从Gauss函数分布规律，而均匀展宽的谱线轮廓却总具有Lorentz曲线的形式。 　　Lorentz型的数学描述是II，λ，σ，λ=I1-In2 　　I、λ、σ分别表示谱线的峰值强度、中心波长与半高半宽度。 　　1.2 基于最小二乘的寻优方法在重叠峰分解中的应用曲线分离的拟合计算，也即光谱曲线的退卷积计算，判断这类拟合计算效果的优劣，最常用的一种评价准则是最小二乘法。即谱线拟合问题归结为求使目标函数F最小时，即minfλ-I成立时的谱线参数。 　　2遗传算法在Lorentz型重叠峰分解中的尝试 　　2.1 遗传算法概述及改进 　　2.1.1 概述遗传算法是一种模拟自然界生物进化过程随机搜索算法，它使用群体搜索技术，通过对当前群体施加选择、交叉、变异等一系列遗传操作，从而产生出新一代的群体，并逐步使群体进化到包含或接近最优解的状态[1]。它的搜索过程与自然界生物进化过程相似，在搜索过程中不易陷入局部最优[2]。遗传算法主要有以下几个步骤：①初始化群体；②计算群体的适应度；③算子操作：a.选择算子，b.交叉算子，c.变异算子，产生子代群体④反复执行②③，直到群体符合终止条件，选择最佳个体为最优解。 　　2.1.2 遗传算法的改进及最速下降法的引入遗传算法虽然具备鲁棒性好、适应性广泛、同时搜索空间多点的并行性、找到全局最优解概率大等优点[3]，但也存在许多不足之处[4]。本文采取了遗传算法与最速下降法相结合的混合遗传算法。 　　2.2 混合遗传算法在Lorentz型重叠峰分解中的MATLAB实现 　　本文首先以Lorentz峰型为例，使用计算机模拟几个Lorentz型峰的重叠，然后再使用遗传算法进行分解，最后比较分解到结果与初始设定的参数的差异，从而判断遗传算法在重叠峰分解中的优劣。 　　2.2.1 标准遗传算法的主要流程 　　①染色体编码，产生初始群体。采用的是浮点数编码方式，根据变量的个数产生变异概率、最大遗传代数、个体数目以及并行遗传算法中用到的子种群数目，设置了迁移率和迁移个体。②目标函数。Fit（I，λ，σ）=1-In2#8226;#8226;I-y其中I，λ，σ即为单个Lorentz峰的参数，而n为实验数据的个数，m为初始群体的个体数目，xi与yi分别为第i个实验数据对应的波长与强度，在分配适应度时采用倒序，即FitV=ranking（-ObjV）；③选择算子。使用随机遍历抽样方式进行选择。按照个体在当前种群中的适应度FitV为繁殖概率性选择个体。④交叉算子。使用离散重组方式进行交叉。此方式完成当前种群OldChrom中一对个体的离散重组，在交配后返回新的种群NewChrom。⑤变异算子。使用实值种群变异的方式。对实值种群OldChrom，使用给定的概率，变异每一个变量，