遗传算法及其应用文档.pdfVIP

第10章 遗传算法 10.1 遗传算法的基本原理 遗传算法简称GA （Genetic Algorithms ）是 1962年由美国Michigan大学的Holland教授提 出的模拟自然界遗传机制和生物进化论而成的 一种并行随机搜索最优化方法。 遗传算法是以达尔文的自然选择学说为基础 发展起来的。自然选择学说包括以下三个方面： （1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。 （2）变异：亲代和子代之间以及子代的不同个体之间 的差异，称为变异。变异是随机发生的，变异的选择 和积累是生命多样性的根源。 （3）生存斗争和适者生存：具有适应性变异的个体被 保留下来，不具有适应性变异的个体被淘汰，通过一 代代的生存环境的选择作用，性状逐渐逐渐与祖先有 所不同，演变为新的物种。 遗传算法将 “优胜劣汰，适者生存”的生物 进化原理引入优化参数形成的编码串联群体中， 按所选择的适应度函数并通过遗传中的复制、 交叉及变异对个体进行筛选，使适适应度高的 个体被保留下来，组成新的群体，新的群体既 继承了上一代的信息，又优于上一代。这样周 而复始，群体中个体适应度不断提高，直到满 足一定的条件。遗传算法的算法简单，可并行 处理，并能到全局最优解。 遗传算法的基本操作为： （1）复制 （Reproduction Operator） 复制是从一个旧种群中选择生命力强的个体位 串产生新种群的过程。具有高适应度的位串更有 可能在下一代中产生一个或多个子孙。 复制操作可以通过随机方法来实现。首先产生 0~1之间均匀分布的随机数，若某串的复制概率 为40%，则当产生的随机数在0.40~1.0之间时， 该串被复制，否则被淘汰。 （2）交叉 （Crossover Operator） 复制操作能从旧种群中选择出优秀者，但不 能创造新的染色体。而交叉模拟了生物进化过 程中的繁殖现象，通过两个染色体的交换组合， 来产生新的优良品种。 交叉的过程为：在匹配池中任选两个染色体， 随机选择一点或多点交换点位置；交换双亲染 色体交换点右边的部分，即可得到两个新的染 色体数字串。 交杈体现了自然界中信息交换的思想。交叉 有一点交叉、多点交叉、还有一致交叉、顺序 交叉和周期交叉。一点交叉是最基本的方法， 应用较广。它是指染色体切断点有一处，例： A :1011001110 101100 0101 B :0010100101 0010101110 （3）变异(Mutation Operator) 变异运算用来模拟生物在自然的遗传环境 中由于各种偶然因素引起的基因突变，它以很 小的概率随机地改变遗传基因 （表示染色体的 符号串的某一位）的值。在染色体以二进制编 码的系统中，它随机地将染色体的某一个基因 由1变为0，或由0变为1。 若只有选择和交叉，而没有变异，则无法 在初始基因组合以外的空间进行搜索，使进 化过程在早期就陷入局部解而进入终止过程， 从而影响解的质量。为了在尽可能大的空间 中获得质量较高的优化解，必须采用变异操 作。 10.2 遗传算法的特点 （1）遗传算法是对参数的编码进行操作，而非 对参数本身，这就是使得我们在优化计算过程 中可以借鉴生物学中染色体和基因等概念，模 仿自然界中生物的遗传和进化等机理； （2）遗传算法同时使用多个搜索点的搜索信息。 传统的优化方法往往是从解空间的单个初始点 开始最优解的迭代搜索过程，单个搜索点所提 供的信息不多，搜索效率不高，有时甚至使搜 索过程局限于局部最优解而停滞不前。 遗传算法从由很多个体组成的一个初始群体 开始最优解的搜索过程，而不是从一个单一的 个体开始搜索，这是遗传算法所特有的一种隐 含并行性，因此遗传算法的搜索效率较高。 （3）遗传算法直接以目标函数作为搜索信息。 传统的优化算法不仅需要利用目标函数值，而 且需要目标函数的导数值等辅助信息才能确定 搜索方向。而遗传算法仅使用由目标函数值变 换来的适应度函数值，就可以确定进一步的搜 索方向和搜索范围，无需目标函数的导数值等 其他一些辅助信息。 遗传算法可应用于目标函数无法求导数或 导数不存在的函数的优化问题，以及组合优化 问题等。 （4）遗传算法使用概率搜索技术。遗传算法 的选择、