遗传算法笔记.docVIP

2．1．1 基本遗传算法的构成要素 染色体编码方法。 个体适应度评价。这样，根据不同种类的问题，必须预先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法。 遗传算子。基本遗传算法使用下述三种遗传算子 ●选择运算使用比例选择算子； ●交叉运算使用单点交叉算子； 变异运算使用基本位变异算子或均匀变异算子。 (4)基本遗传舆法的运行参数。基本遗传算法有下述4个运行参数需要提前设定： ●M：群体大小，即群体中所含个体的数量，一般取为20—100。 ●T：遗传运算的终止进化代数，一般取为100~500 ●Pc：交叉概率，一般取为0.4~0.99。 ●Pm：变异概率，一般取为0．0001~0.10 需要说明的是，这4个运行参数对遗传算法的求解结果和求解效率都有一定的影响，但目前尚无合理选择它们的理论依据。在遗传算法的实际应用中，往往需要经过多次试算后才能确定出这些参数合理的取值大小或取值范围。 2．2 基本遗传算法的实现 2．2．1 个体适应度评价 为满足适应度取非负值的要求．基本遗传算法一般采用下面两种方法之一将目标函数值f(x)变换为个体的适应度F(x)。 方法一：对求目标函数最大值的优化问题，变换方法为 c mm为一个适当地相对比较小的数，它可用下面几种方； 之一来选取。 ●预先指定的 个较小的数。 ●进化到当前代为止的最小目标函数值。 ●当前代或最近几代群体中的最小日初i函数值。 方法二：对于求目标函数最小值的优化问题．变换方法为式小，cmx为一个适当地相对比较大的数，它可用下面几种方法 ●预先指定的一个较大的数。 ●进化到当前代为止的最大目标函数值。 当前代或最近几代群体中的最大日标函数值。 2．2．2比例选择算子 选择算子是比例选择算子。所谓比例选择算子，是指个体被选中并遗传到下一代群体中的概率与该个体的适应度大小成正比。 比例选择算子的具体执行过程是： (1)先计算出群体中所有个体的适应度的总和。 (2)其次计算出每个个体的相对适应度的大小，即为各个个体被遗传到下‘代群体中的概率。 (3)最后再使用模拟赌盘操作(即0到1之间的随机数)来确定各个个体被选中的次数。 2．2．3单点交叉算子 单点交叉算子是最常用和最基本的交叉操作其子。单点交叉算子的具体执行过程如下。 (1)对群体中的个体进行两两随机配对。若群体大小为M，则共有[M]/2对相互配对的个体组。其中[x]表示不大于x的最大的整数。 (2)对每一对相互配对的个体，随机设置某一基因座之后的位置为交叉点。若染色体的长度为n，则共有(n—1)个可能的交叉点位置。 (3)对每一对相互配对的个体，依设定的交叉概率Pc在其文叉点处相互交换两个个体的部分染色体，从而产生出两个新的个体。 2．2．4基本位变异算子 基本位变异算子是最简单和最基本的变异操作算子。对于基本遗传算法中用二进制编码符号串所表示的个体，若需要进行变异操作的某‘基因座上的原有基因值为0，则变异操作将该基因值变为1反之，若原有基因值为1，则变异操作将其变为0。 基本位变异其子的具体执行过程是： (1)对个体的每一个基因座，依变异概率Pm指定其为变异点 (2)对每一个指定的变异点，对其基因值做取反运算或用其他等位基因值来代替，从而产生出一个新的个体。 2．3 基本遗传算法应用举例 由前述我们可以知道．基本遗传算法是一个这代过程，它模仿生物在自然环境中的遗传和进化机理，反复将选择算子、交叉算子、变异算子作用于群体，最终可得到问题的最优解或近似最优解。虽然算法的思想比较单纯，结构也比较简单，但它却也具有一定的实用价值，能够解决一些复杂系统的优化计算问题。 2．3．1 遗传算法的应用步骤 遗传算法提供厂一种求解复杂系统优化问题的通用框架，它不依赖于问题的领域和种类。对一个需要进行优化计算的实际应用问题，一般可按下述步骤来构造求解该问题的遗传算法。 第一步：确定决策变量及其各种约束条件，即确定出个体的表现型x和问题的解空间。 第二步：建立优化模型，即确定出目标函数的类型(是求目标函数的最大值还是求目标函数的最小值?)及其数学描述形式或量化方法。 第三步：确定表示可行解的染色体编码方法，也即确定出个体的基因型x及遗传算法的搜索空间。 第四步：确定编码方法，即确定出由个体基因型x到个体表现型x的对应关系或转换方法。 第五步；确定个体适应度的量化评价方法，即确定出由目标函数值f(x)到个体适应度F(x)的转换规则。 第六步：设计遗传算子，即确定出选择运算、交叉运算、变异运算等遗传算子的具