遗传算法问题综述.docVIP

遗传算法综述 （湘潭大学材料与光电物理学院2009级物理学二班 2009700206） 摘 要：遗传算法近年来广泛应用于计算机及自动化领域。本文介绍了遗传算法的起源、发展简史和研究现状，对遗传算法的基本原理和编码问题进行了阐述，介绍了其特点，最后对其发展方向进行了分析和展望。 关键词：遗传算法；编码；并行；进化 1 引言 遗传算法(Genetic Algorithms 简称GA) 是模拟遗传选择和自然淘汰的生物进化过程的计算模型, 是由Michigan大学Holland教授于1975年首次提出的。这是一种新的全局优化搜索算法, 因其简单通用, 鲁棒性强, 适于并行处理, 已广泛应用于计算机科学、优化调度、运输问题、组合优化等领域。 2 遗传算法的起源与发展 遗传算法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。 早在上个世纪40年代，就有学者开始研究如何利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。进入60年代后，美国密歇根大学的Holland教授在对细胞自动机（英文：cellular automata）进行研究时率先提出, 并于1975年出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，约翰?霍兰德教授所提出的GA通常为简单遗传算法（SGA）。 在二十世纪八十年代中期之前，对于遗传算法的研究还仅仅限于理论方面，直到在伊利诺伊大学召开了第一届世界遗传算法大会，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高。遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。 3 GA理论与方法 3.1 基本原理 遗传算法GA把问题的解表示成“染色体”，在算法中也即是以二进制编码的串。并且，在执行遗传算法之前，给出一群“染色体”，也即是假设解。然后，把这些假设解置于问题的“环境”中，并按适者生存的原则，从中选择出较适应环境的“染色体”进行复制，再通过交叉，变异过程产生更适应环境的新一代“染色体”群。这样，一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解。 长度为L的n个二进制串bi(i＝1，2，…，n)组成了遗传算法的初解群，也称为初始群体。在每个串中，每个二进制位就是个体染色体的基因。根据进化术语，对群体执行的操作有三种： 1．选择(Selection) 这是从群体中选择出较适应环境的个体。这些选中的个体用于繁殖下一代。故有时也称这一操作为再生(Reproduction)。由于在选择用于繁殖下一代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生(differential reproduction)。 2．交叉(Crossover) 这是在选中用于繁殖下一代的个体中，对两个不同的个体的相同位置的基因进行交换，从而产生新的个体。 3．变异(Mutation) 这是在选中的个体中，对个体中的某些基因执行异向转化。在串bi中，如果某位基因为1，产生变异时就是把它变成0；反亦反之。 遗传算法的原理可以简要给出如下： choose an intial population determine the fitness of each individual perform selection repeat perform crossover perform mutation determine the fitness of each individual perform selection until some stopping criterion applies 这里所指的某种结束准则一般是指个体的适应度达到给定的阀值；或者个体的适应度的变化率为零。 3.2 GA的流程图GA的流程图如下图所示 3.2.1 编码? 遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码，也可以称作(问题的)表示(representation)。 评估编码策略常采用以下3个规范: a)完备性(completeness):问题空间中的所有点(候选解)都能作为GA空间中的点(染色体)表现。 b)健全性(soundness): GA空间中的染色体能对应所有问题空间中的候选解。 c)非冗余性(nonredundancy):染色