[工学]遗传算法及应用.pptVIP

遗传算法及应用 6.1遗传算法的原理与特点 6.2遗传算法的基本操作与模式理论 6.3遗传算法的实现与改进 6.4遗传算法在智能控制中的应用 6.1遗传算法的原理与特点 问题1：什么是“遗传”和“进化”？ 历史 遗传算法是一种新发展起来的基于优胜劣汰、自然选择、适者生存和基因遗传思想的优化算法，20世纪60年代产生于美国的密歇根大学。 1967年， John H.Holland教授的学生J.D.Bagley在博士论文中首次提出“遗传算法（Genetic Algorithms）”一词此后，Holland指导学生完成了多篇有关遗传算法研究的论文。1971年，R.B.Hollstien在他的博士论文中首次把遗传算法用于函数优化。而John H.Holland在1975年出版的“Adaptation in Natural and Artificial Systems” （《自然系统和人工系统的自适应》） 一书通常认为是遗传算法的经典之作，该书给出了遗传算法的基本定理，并给出了大量的数学理论证明。 John H.Holland的学生David E.Goldberg教授在1989年出版的“Genetic Algorithms”一书通常认为是对遗传算法的方法、理论及应用的全面系统的总结。同年，美国斯坦福大学的Koza基于自然选择原则创造性地提出了用层次化的计算机程序来表达问题的遗传程序设计( genetic programming,?? GP)方法，成功地解决了许多问题 发展 从1985年起，国际上开始举行“遗传算法的国际会议”，以后则更名为“进化算法的国际会议”，参加的人数及收录的文章数量、广度和深度逐次扩大。遗传算法已成为人们来解决高度复杂问题的一个新思路和新方法。目前遗传算法已被广泛应用于许多实际问题，如函数优化、自动控制、图像识别、机器学习、人工神经网络、分子生物学、优化调度等许多领域中的问题。在欧洲，从1990年开始每隔一年举办一次Parallel Problem Solving from Nature 学术会议，其中遗传算法是会议主要内容之一。此外，以遗传算法的理论基础为中心的学术会议还有Foundations of Genetic Algorithms，该会也是从1990年开始隔年召开一次。这些国际会议论文，集中反映了遗传算法近些年来的最新发展和动向。 6.1.1遗传算法的基本原理 遗传算法的基本原理是基于达尔文的进化论和孟德尔的基因遗传学原理。进化论认为每一物种在不断的发展过程中都是越来越适应环境的。物种的每个个体的基本特征被后代所继承，但后代又不完全同于父代，这些新的变化若适应环境，则被保留下来。在某一环境中也是那些更能适应环境的个体特征能被保留下来，这就是适者生存的原理。遗传学说认为，遗传是作为一种指令码封装在每个细胞中，并以基因的形式包含在染色体中，每个基因有特殊的位置并控制某个特殊的性质，每个基因产生的个体对环境有一定的适应性，基因杂交和基因突变可能产生对环境适应性更强的后代，通过优胜劣汰的自然选择，适应值高的基因结构就保存下来 遗传算法将问题的求解表示成“染色体”（用编码表示字符串）。该算法从一群“染色体”串出发，将它们置于问题的“环境”中，根据适者生存的原则，从中选择出适应环境的“染色体”进行复制，通过交叉、变异两种基因操作产生出新的一代更适应环境的“染色体”种群。随着算法的进行，优良的品质被逐渐保留并加以组合，从而不断产生出更佳的个体。这一过程就如生物进化那样，好的特征被不断的继承下来，坏的特征被逐渐淘汰。新一代个体中包含着上一代个体的大量信息，新一代的个体不断地在总体特性上胜过旧的一代，从而使整个群体向前进化发展。对于遗传算法，也就是不断接近最优解。 6.1.2遗传算法的特点 遗传算法将自然生物系统的重要机理运用到人工系统的设计中，与其他寻优算法必然有着本质的不同。常规的寻优方法主要有3种类型：解析法、枚举法和随机法。 解析法寻优是研究的最多的一种，它一般又可以分为间接法和直接法。间接法是通过让目标函数的梯度为零，进而求解一组非线性方程来寻求局部极值。直接法是使梯度信息按最陡的方向逐次运动来寻求局部极值，它即为通常所称的爬山法。 枚举法 上述两种方法的主要缺点如下： （1）它们只能寻找局部极值而非全局的极值。 （2）它们要求目标函数是连续光滑的，并且需要导数信息。 这两个缺点，使得解析寻优方法的性能较差。 枚举法可以克服上述解析法的两个缺点，即它可以寻找到全局的极值，而且也不需要目标函数是连续光滑的。它的最大缺点是计算效率太低，对于一个实际问题，常常由于太大的搜索空间而不可能将所有的情况都搜索到。即使很著名的动态规划方法（它