遗传算法及其改进研究_数学建模论文.docVIP

遗传算法及其改进研究_数学建模论文 论文导读:：遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。本文讲述了遗传算法的相关知识要点，通过对遗传算法特点的分析，提出遗传算法的缺点，然后针对遗传算法的缺点提出相应的一些改进方法。 论文关键词：遗传算法 1 引言 物竞天择，适者生存是达尔文生物进化论的基本原理，揭示了物种总是向着更适应自然界的方向进化的规律。可见，生物进化过程本质上是一种优化过程，在计算科学上具有直接的借鉴意义。在计算机技术迅猛发展的时代，生物进化过程不仅可以在计算机上模拟实现，而且还可以模拟进化过程，创立新的优化计算方法，并应用到复杂工程领域之中，这就是遗传算法等一类进化计算方法的思想源泉。 2 遗传算法概述 遗传算法是将生物学中的遗传进化原理和随[1]优化理论相结合的产物，是一种随机性的全局优算法。遗传算法不但具有较强的全局搜索功能和求解问题的能力，还具有简单通用、鲁棒性强、适于并行处理等特点数学建模论文，是一种较好的全局优化搜索算法。在遗传算法的应用中，由于编码方式和遗传算子的不同，构成了各种不同的遗传算法。但这些遗传算法都有共同的特点，即通过对生物遗传和进化过程中选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。基于这个共同点，Holland的遗传算法常被称为简单遗传算法（简记SGA），简单遗传算法只使用选择算子、交叉算子和变异算子这三种基本遗传算子，其遗传进化操作过程简单，容易理解，是其他一些遗传算法的雏形和基础，这种改进的或变形的遗传算法，都是以其为基础[1]。 2.1遗传算法几个基本概念 个体(IndividualString)：个体是遗传算法中用来模拟生物染色体的一定数目的二进制串，该二进制串用来表示优化问题的满意解。 种群(population)：包含一组个体的群体，是问题解的集合。 基因模式(Sehemata)：基因模式是指二进制位串表示的个体中，某一个或某些位置上具有相似性的个体组成的集合，也称模式。 适应度(Fitness)：适应度是以数值方式来描述个体优劣程度的指标，由评价函数F计算得到。F作为求解问题的目标函数，求解的目标就是该函数的最大值或最小值。 遗传算子(genetic operator)：产生新个体的操作，常用的遗传算子有选择、交叉和变异。 选择(Reproduetion)：选择算子是指在上一代群体中按照某些指标挑选出的，参与繁殖下一代群体的一定数量的个体的一种机制龙源期刊。个体在下一代种群中出现的可能性由个体的适应度决定，适应度越高的个体，产生后代的概率就越高。 交叉(erossover)：交叉是指对选择后的父代个体进行基因模式的重组而产生后代个体的繁殖机制。在个体繁殖过程中，交叉能引起基因模式的重组，从而有可能产生含优良性能的基因模式的个体。交叉可以发生在染色体的一段基因串或者多段基因串。交叉概率（Pc）决定两个个体进行交叉操作的可能性数学建模论文，交叉概率太小时难以向前搜索，太大则容易破坏高适应度的个体结构，一般Pc取0.25~0.75 变异(Mutation)：变异是指模拟生物在自然的遗传环境中由于某种偶然因素引起的基因模式突变的个体繁殖方式。在变异算子中，常以一定的变异概率（Pm）在群体中选取个体，随机选择个体的二进制串中的某些位进行由概率控制的变换（0与1互换）从而产生新的个体[2]。如果变异概率太小，就难以产生新的基因结构，太大又会使遗传算法成了单纯的随机搜索，一般取Pm=0.1~0.2。在遗传算法中，变异算子增加了群体中基因模式的多样性，从而增加了群体进化过程中自然选择的作用，避免早熟现象的出现。 2.2基本遗传算法的算法描述 用P(t)代表第t代种群，下面给出基本遗传算法的程序伪代码描述： 基本操作： InitPop（） 操作结果：产生初始种群，初始化种群中的个体，包括生成个体的染色体值、计算适应度、计算对象值。 Selection（） 初始条件：种群已存在。 操作结果：对当前种群进行交叉操作。 Crossover（） 初始条件：种群已存在。 操作结果：对当前种群进行交叉操作。 Mutation（） 初始条件：种群已存在。 对当前种群进行变异操作。 PerformEvolution（） 初始条件：种群已存在且当前种群不是第一代种群。 操作结果：如果当前种群的最优个体优于上一代的最优本，则将其赋值给bestindi，否则不进行任何操作。 Output（） 初始条件：当前种群是最后一代种群。 操作结果：输出b