第8章 遗的传算法.docVIP

第8章遗传算法 1．引言 遗传算法(GeneticAlgorithms简称GA)是由美国Michigan大学的JohnHolland教授创建的。它来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。其特点是几乎不需要所求问题的任何信息而仅需要目标函数的信息，不受搜索空间是否连续或可微的限制就可找到最优解。依据它的并行性，非常适用于大规模并行计算机。因此，遗传算法广泛的应用于自动控制、计算科学、模式识别、工程设计、智能故障诊断、管理科学和社会科学领域，适用于解决复杂的非线性和多维空间寻优问题。 2．遗传算法的发展 1)20世纪60年代，John Holland教授和他的数位博士受到生物模拟技术的启发，认识到自然遗传可以转化为人工遗传算法。1962年John Holland提出了利用群体进化模拟适应性系统的思想，引进了群体、适应值、选择，变异、交叉等基本概念。 2)1967年，J.D.Bagely在其博士论文中首次提出了“遗传算法”的概念。 3)1975年，Holland出版了《自然与人工系统中的适应性行为》（Adaptation in Natural and Artificial System）。该书系统地阐述了遗传算法的基本理论和方法，提出了遗传算法的基本定理—模式定理，从而奠定了遗传算法的理论基础。同年，De Jong在其博士论文中首次把遗传算法应用于函数优化问题，对遗传算法的机理与参数进行了较为系统地研究，并建立了著名的五函数测试平台。 4)20世纪80年代初，Holland教授实现了第一个基于遗传算法的机器学习系统—分类器系统（Classifier System简称CS），开创了基于遗传算法的机器学习的新概念。 5)1989年，David Goldberg出版了《搜索、优化和机器学习中的遗传算法》（Genetic Algorithms in Search Optimization and Machine Learning）。该书全面系统地总结了当时关于遗传算法的研究成果，结合大量的实例，完整的论述了遗传算法的基本原理及应用，奠定了现代遗传算法的基础。 6)1992年，John R.Koza出版了专著《遗传编程》（GeneticProgramming），提出了遗传编程的概念，并成功地把遗传编程的方法应用于人工智能、机器学习、符号处理等方面。 随着遗传算法的不断深入和发展，关于遗传算法的国际学术活动越来越多，遗传算法已成为一个多学科、多领域的重要研究方向。 3．遗传算法的特点 1)直接处理的对象是决策变量的编码集而不是决策变量的实际值本身，搜索过程既不受优化函数的连续性约束，也没有优化函数导数必须存在的要求。 3)遗传算法是一种自适应搜索技术，其选择、交叉、变异等运算都是以一种概率方式来进行，从而增加了搜索过程的灵活性，同时能以很大的概率收敛于最优解，具有较好的全局优化求解能力。 4)遗传算法直接以目标函数值为搜索信息，对函数的性态无要求，具有较好的普适性和易扩充性；同时，我们可以把搜索范围集中到适应度较高的部分搜索空间中，从而提高了搜索效率。 1．遗传算法从问题解的串集开始嫂索，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，复盖面大，利于全局择优。 2．遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。 由于遗传算法使用适应值这一信息进行搜索，并不需要问题导数等与问题直接相关的信息。遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问题。遗传算法的基本思想简单，运行方式和实现步骤规范，便于具体使用。 3．遗传算法有极强的容错能力 遗传算法的初始串集本身就带有大量与最优解甚远的信息；通过选择、交叉、变异操作能迅速排除与最优解相差极大的串；这是一个强烈的滤波过程；并且是一个并行滤波机制。故而，遗传算法有很高的容错能力。 4．遗传算法中的选择、交叉和变异都是随机操作，而不是确定的精确规则。 这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫近，交叉体现了最优解的产生，变异体现了全局最优解的复盖。 5．遗传算法采用多点搜索或者说是群体搜索，具有很高的隐含并行性。 术语说明 遗传算法的基本思想是基于Darwin进化论和Mendel的遗传学说的。 Darwin进化论最重要的是适者生存原理。它认为每一物种在发展中越来越适应环境。物种每个个体的基本特征由后代所继承，但后代又会产生一些异于父代的新变化。在环境变化时，只有那些熊适应环境的个体特征方能保留下来。 Mendel遗传学说最重要的是基因遗传原理。它认为遗传以密码方式存