第三篇 遗传算法.docVIP

第三章 遗传算法 遗传算法（Genetic Algorithm）是一种通过自然进化过程搜索最优解的方法。过去30年中，在解决复杂的全局优化问题方面，遗传算法取得了成功的应用，并受到了人们广泛的关注。在优化问题中，如果目标函数是多峰的，或者搜索空间不规则，就要求所使用的算法必须具有高度的鲁棒性，以避免在局部优化解附近徘徊。遗传算法的优点恰好是擅长全局搜索。另外，遗传算法本身并不要对优化问题的性质作一些深入的数学分析，从而对那些不太熟悉数学理论和算法的使用者来说，无疑是方便的。 大家知道，生物遗传物质的主要载体是染色体，在遗传算法中，染色体是一串数据（或数组），用来作为优化问题的解的代码，其本身不一定是解。遗传算法一般经过这样几个过程：首先，随机产生一定数目的初始染色体，这些随机产生的染色体组成一个种群。种群中染色体的数目称为种群的大小或种群的规模。然后，用评价函数来评价每个染色体的优劣，即染色体对环境的适应程度（称为适应度），用来作为以后遗传操作的依据。接着，进行选择过程，选择过程的目的是为了从当前种群中选出优良的染色体。判断染色体的优良与否的准则就是各自的适应度，即染色体的适应度越高，其被选择的机会就越多。通过选择过程，产生一个新的种群。对这种新的种群进行交叉操作，交叉操作是遗传算法中主要的遗传操作之一。接着进行变异操作，变异操作的目的是挖掘种群中的个体的多样性，克服有可能陷入局部解的弊病。这样，经过上述运算产生的染色体称为后代。然后，对新的种群（即后代）重复进行选择、交叉和变异操作，经过给定次数的迭代处理以后，把最好的染色体作为优化问题的最优解。 遗传算法已被广泛应用业于最优控制、运输问题、调度、生产计划、资源分配、统计及模式识别等，下面我们介绍一下遗传算法的一些基本知识。 第一节 优化问题的遗传算法 回顾一下单目标规划、多目标规划及目标规划模型的基本形式。在数学规划中，目标函数不一定是单峰的，可行域也不一定是凸集。最优化问题的解有两种表示方式：二进制向量或浮点向量。使用二进制向量作为一个染色体来表示决策变量的真实值，向量的长度依赖于要求的精度，但使用二进制代码的必要性已经受到了批评。求解复杂优化问题时，二进制向量表示结构有时不太方便。 另一种表示方法是浮点向量，每一个染色体由一个浮点向量表示，其长度与解向量相同。这里用向量表示最优化问题的解，其中是维数，则相应的染色体也是。 一、关于约束条件的处理 对于约束条件的处理关键是 （1）消除约束条件中的等式约束。例如假设，，通过解这个方程组，将变量用另外的变量表示，代入到模型中，就形成了一个没有等式约束的维优化问题。 （2）设计恰当的遗传操作以保证所有新产生的染色体在可行域中。 为了保证染色体的可行，必须对遗传操作过程中得到的每一个染色体进行检查，对每一个优化问题，最好设计一个C语言子函数，其输出值为1表示染色体是可行的，0表示不可行。例如，对于约束条件 ， 可以作如下的一个子函数： 从开始循环 若，返回0； 直到结束 返回1。 最后值得注意的是，在设计程序时，应该注意到一些隐含的约束，即有些虽然是可行解，但不可能是最优解。例如数学规划模型 其中是可行域，但是我们知道最优解一定在区间，所以为了减少程序的搜索空间，应当增加约束条件 这类隐含约束一般不难发现，尤其对实际的管理问题。因此尽可能的增加隐含条件。 二、初始化过程 定义整数pop-size作为染色体的个数，并且随机的产生pop-size个初始染色体。一般情况下，由于优化问题的复杂性，解析底产生可行的染色体是困难的。此时，可以采用下述两种方法之一作为初始过程。 第一种方法：设决策者能够给出可行域中的一个内点，记为。定义一个足够大的数，以保证遗传操作遍及整个可行域。不仅在初始化过程中使用，而且在变异操作中也使用。按照下面的方法产生pop-size个染色体。在中随机的选择一个方向，如果满足不等式约束，则将作为一个染色体，否则，置为0和之间的一个随机数，直到可行为止。由于是内点，所以在有限步内，可以找到满足不等式约束的可行解。重复以上过程pop-size次，从而产生pop-size个初始染色体。 三、评价函数 评价函数（记为）用来对种群中的每个染色体设定的一个概率，以使该染色体被选择的可能性与种群中其它染色体的适应性成比例，即通过轮盘赌，适应性强的染色体被选择产生后代的机会要大。 第一种方法，设目前该代中的染色体为，可以根据染色体的序进行再生分配，而不是根据其实际的目标值。无论是何种数学规划都可以作一个合理的假设，即在染色体中，决策者可以给出一个序的关系，使染色体由好到坏进行重排，就是说，一个染色体越好，其序号越小。