遗传算法的作用.doc

遗传算法的应用 一、什么是遗传算法？ 遗传算法是一种全局概率搜索优化算法。遗传算法( Gnectci Algortihms) ，是一种模拟自然界生物进化过程的全局随机搜索算法，由美国Mcihigna大学的Hollnad 教授于60 年代首先提出。它将计算机科学与进化论思想有机结合起来，借助于生物进化机制与遗传学原理，根优胜劣汰和适者生存的原则，通过模拟自然界中生物群体由低级、简单到高级、复杂的生物进化过程，使所要解决的问题从初始解逐渐逼近最优解或准最优解。作为一种新的全局优化搜索算法，遗传算法因其简单易用，对很多优化问题能够较容易地解出令人满意的解，适用于并行分布处理等特点而得到深入发展和广泛应用，已在科学研究和工程最优化领域中展现出独特魅力. 二、遗传算法的发展：从20世纪40年代，生物模拟就成为了计算科学的一个组成部分； 20世纪50年代中期创立了仿生学；进入60年代后，美国密切根大学教授Holland及其学生创造出遗传算法。 三、遗传算法的特点： 遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。遗传算法具有进化计算的所有特征，同时又具有自身的特点： （1）搜索过程既不受优化函数的连续性约束，也没有优化函数导数必须存在的要求。 （2）遗传算法采用多点搜索或者说是群体搜索，具有很高的隐含并行性，因而可以提高计算速度。 （3）遗传算法是一种自适应搜索技术，其选择、交叉、变异等运算都是以一种概率方式来进行，从而增加了搜索过程的灵活性，具有较好的全局优化求解能力。 （4）遗传算法直接以目标函数值为搜索信息，对函数的性态无要求，具有较好的普适性和易扩充性。 （5）遗传算法更适合大规模复杂问题的优化。 四、遗传算法的原理和方法： 编码：编码是把一个问题的可行解从其解空间转换到GA 所能处理的搜索空间的转换方法。而解码是由GA 解空间向问题空间的转换。编码机制直接影响着算法的整体性能，也决定了种群初始化和各种遗传算子的设计等各种过程。常用的编码方案有：二进制编码、Gray 编码和实数编码等。 种群的初始化：种群的初始化是指如何生成第一代初始种群。对于二进制编码机制，初始化就是生成多个二进制数串；对于实数编码机制，初始化是指生成多个实数数串。 适应度函数：适应度是用来衡量群体中各个个体在优化计算中能达到或接近于或有助于找到最优解的优良程度。适应度较高的个体遗传到下一代的概率就较大；反之遗传到下一代的概率就相对较小。度量个体适应度的函数称为适应度函数，是根据目标函数确定的，用于区分群体中个体好坏的标准，是算法演化过程的驱动力。 选择算子：选择算子是从一个旧种群选择生命力顽强的个体位串进行复制，从而产生新种群的过程。不同的选择操作会导致不同的选择效果，较大的选择压力将会使当前种群中的最优个体具有较高的复制数目，算法会以较快的速度收敛，容易出现“早熟”问题。相反，较小的选择压力能使种群的保持多样性，有利于跳出局部最优，收敛于全局最优点，但缺点是收敛速度慢，效率低下。常用的选择算子有：轮盘赌选择、基于排序的选择、局部竞争选择、最佳个体保存选择和Boltzmann 选择等。 交叉算子：交叉算子是指两个相互配对的染色体按照某种方式相互交换自身的部分基因片，从而构成两个新个体的过程。交叉算子不仅要考虑生成更多不同的个体，保持种群的多样性；还要避免破坏种群中的优良个体，加快种群的收敛速度，才能使种群的多样性和收敛性达到和谐的统一。常用的交叉算子有：单点交叉、多点交叉、均匀交叉和算术交叉等。 变异算子：变异是指父代染色体中的某些基因片，以相对较小的概率发生随机改变的操作过程。变异的概率决定了种群中个体发生变异的机会大小，如果制定过高，容易破坏种群中已有的优良个体结构；如果制定过低，则产生新个体的速度慢，收敛速度慢，甚至可能陷入局部最优。常用的变异算子有：倒位变异、交换变异和插入变异等。研究表明，将多种变异算子在交叉使用或者按照一定的概率进行分配使用，会带来较好的效果。 五、遗传算法实现的基本流程： 遗传算法的早期研究，其基本实现步骤如下： 确定种群规模、交叉概率、变异概率以及算法终止条件 以一定的方式产生初始种群 计算种群中个体的适应度 对当前种群实施选择、交叉、变异操作、产生新种群 进化终止条件判断，若满足终止条件，则进化终止，输出优化结果，否则转到步骤（3）。具体流程如下图1所示。 图1 遗传算法基本流程图 六、遗传算法的三种基本操作： 1、选择 选择即是在种群中选择一个个体，它是随机映射: . 特别地，按照概率： 其中N为种群规模，表示个体 的适应值，为选择压，适应值大的选中概率越大，复制多，反之相反。 常见选择方法的优劣 比例选择的问题： 记为第t代个体x出现的概率，其中x为任一个体， 则 其中为种