《遗传算法原理和其应用》.PDF

Genial @ USTC http :// 《遗传算法原理及其应用》 1207 Chap1 序论 一. 遗传算法的生物学基础 1.1 传与变异 基本概念 Cell:细胞 Chromosome:染色体 Gene:基因 Locus:基因座 Allele:等位基因 Genotype:基因型 Phenotype:表现型 Genome:基因组 Reproduction:复制 Crossover:交叉 Mutation:变异 1.2 进化 基本术语 Evolution:进化 Population:群体 Individual:个体 Fitness:适应度 1.3 传与进化的系统观 特点: 1) 生物的所有遗传信息都包含在其染色体中,染色体决定了生物的性状; 2) 染色体是基因及其有规律的排列所构成, 传和进化过程发生在染色体上; 3) 生物的繁殖过程是由其基因的复制过程完成的; 4) 通过同源染色体之间的交叉或染色体的变异会产生新的物种,使生物呈现新的性状; 5) 对环境适应性好的基因或者染色体会经常比适应性差的基因或染色体有更多的机会 传到下一代。 二. 遗传算法简介 遗传算法是模拟生物在自然环境中的 传和进化过程而形成的一种自适应全局优化概率 Genial @ USTC http :// 搜索算法。 2.1 遗传算法概要 对于一个求函数最大值的优化问题 （求函数最小值也类同），一般可描述为下述数学规 max f (X ) 划模型： s.t. X R R U 式中，X [x , x , ..., x ]T 为决策变量，f （X ）为目标函数，第2，3 式为约束条件，U 是 1 2 n 基本空间，R 是U 的一个子集。满足约束条件的解X 称为可行解，集合R 表示由所有满足 约束条件的解所组成的一个集合，叫做可行解集合。 对上述最优化问题，目标函数和约束条件种类繁多，由的是线性的，有的是非线性的； 有的是连续的，有的是离散的；有点是单峰的，有的是多峰的。 求最优解或近似最优解的方法主要有三种：枚举法，启发式算法和搜索算法： 1） 枚举法：枚举出可行解集合内的所有的可行解，以求出精确最优解。对于连续 函数，首先要求对其进行离散化处理。该法效率较 。 2 ） 启发式算法：寻求一种能产生可行解的启发式规则，以找到一个最优解或近似 最优解。此法对每个问题都必须找出其特有的启发式规则，不具有通用性。 3 ） 搜索算法：寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操 作，以找到问题的最优或者近似最优解。若适当利用一些启发式知识，可以在 近似解的质量和求解效率上达到一种较好的平衡。 遗传算法中，将n 维决策向量X [x , x ,..., x ]T 用n 个记号X (i=1,2, ,n) 所组成的 i 1 2 n 符号串X 表示： X X X ...X X [x , x , ..., x ]T X X X ...X X [x ,x , ..., x ]T 1 2 n 1 2 n 1 2 n 1 2 n , 把每一个Xi 看作一个遗传基因，它的所有的可能取值称为等位基因。这样,X 就可看做 是由n 个 传基因组成的一个染色体。一般情况下，染色体的长度 n 是固定的，但对 一些问题你也可以是变化的。根据不同的情况，这里的等位基因可以是一组整数，也 可以是