遗传算法在解决经典运筹问题中的应用.pdfVIP

管理/ 制度 遗传算法在解决经典运筹问题中的应用 □文/ 杨 磊 （东北财经大学津桥商学院 辽宁·大连） ［提要］ 本文主要阐述遗传算法的 间的定义，适应值函数的表现形式，解的 搜索的特点，与问题领域无关，前期工作 特点，以及在解决运筹经典问题中的应用 字符串表达式方式；（2）遗传算法参数的 量比较少。 和不足之处。 设计。种群规模，复制、交叉、变异的概率 2、健壮性。遗传算法的搜索是用种群 选择，进化最大代数，终止准则设定等。 作为基本单元，采用三个不同作用的基本 关键词：遗传算法；运筹学；应用 二、遗传算法的基本特点 算子进行搜索的，解的结果随时间增加而 中图分类号：F27 文献标识码：A （一）结构特点。遗传算法是以适应值 趋于稳定，不受初始解的影响，而且不因 收录日期：2011年10 月28 日 提供的启发式信息进行搜索的，与其他启 实例的不同而蜕变。 一、遗传算法简介 发式（模拟退火、爬山法、神经网络等）方 3、通用性和灵活性。遗传算法可用于 遗传算法（GAS）是由美国密执根大 法相比，在结构和工作过程方面的特点见 多种优化搜索问题，解题程序可以通用， 学的Holland 等人创立的。与其他启发式 表1。 （表1） 针对不同的实例，适当调整算子参数，就 方法顺序搜索解空间的工作方式不同，遗 （二）实验性能方面的特点 可以使算法执行获得最佳的解结果和占 传算法采用解的种群作为工作单元，使用 1、高效性。遗传算法具有大范围全局 用CPU 机时的关系。 模仿生物进化的适者生存原则指导搜索 表1 遗传算法的结构特点 并改进目标。种群由代表个体的定长字符 适应性结构 定长字符串组成的种群 系统状态形式 种群 串组成，每个个体表示解空间的一个点， 初始结构选取 随机产生个体组成种群 循环终止条件 设定的可接受水平 每个解的质量，通过依赖于问题目标函数 适应值度量 规范化的适应值函数 产生结果方法 当前种群中的最好个体 的适应值函数来进行评估。搜索过程通过 变更结构方式 复制、交叉、变异及其他 控制参数种类 M、G、Pc、Pr、Pm 进化来进行，每代中的个体以正比于它的 表2 作业调度问题的研究 适应值的概率遗传到下一代。它使用3 个 研究者 研究问题种类 问题的要求 采用GAS 的特点 基本算子：选择、交叉和变异。选择是指个 Cartw right 化工厂生产安排 生产计划安排 基于排序 体以其适应值比例复制到交配池中；交叉 Sysw erda 飞行模拟实验室 168 小时内，一组任务 GAS 将任务排序，使用特定规则在 是交配池中的两个个体进行交配，组合形 设备调度 竞争资源 排序中寻找可行解 成一个（或几个）新个体，复制和交叉将好 H illiar 多目标通路的作 运输军队及其装备，不 用GAS 微调不同启发式准则的优 的特性进行遗传；变异则是发生在少数字 业调度 同目标权重不同 先权 符串某基因位上的基因的突变，它使搜索 Gbbert 铁路网络复杂运 列车旅程中装载许多种 用GAS 优化路线，在每个子代集中 过程能够有机