毕业论文-遗传算法的函数优化问题研究汇.docxVIP

遗传算法的函数优化问题研究摘要：对函数优化问题的求解是人工智能的一个重要领域。由于这个问题存在普遍性和重要性，近几十年来得到了广泛和深入的研究。遗传算法是模仿生物遗传学和自然选择机理，通过人工方式构造的一类优化搜索算法，是对生物进化过程进行的一种数学仿真，是进化计算的一种最重要的形式。关键词：智能算法；遗传算法；函数优化Abstract：The problem of function optimization solving is an important area of artificial intelligent. As the prevalence and importance of this problem, there has been extensive and in-depth research in recent decades. Genetic algorithm is an imitation of biological genetics and natural selection mechanism, constructed by manually optimizing a class of search algorithms. Genetic algorithm is a mathematical simulation of biological evolution. It is one of the most important evolutionary computation form.Keyword：Intelligent algorithm；Genetic algorithm；Function optimization1.遗传算法1.1 遗传算法概念遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J. Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型： max f(X) 1-1x∈ 1-2R∈U 1-3式中为决策变量，为目标函数式，式1-2、1-3为约束条件，U是基本空间，R是U的/view/276935.htm子集。满足约束条件的解X称为可行解，/view/15216.htm集合R表示所有满足约束条件的解所组成的集合，称为可行解集合。　遗传算法的基本运算过程如下： 　a)初始化:设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。 　b)个体评价：计算群体P(t)中各个个体的适应度。 　c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 　d)交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。 　e)变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。 　群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。 　f)终止条件判断:若tT,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。1.2 遗传算法定义遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗