遗传算法例题分析报告.pptVIP

一个实例的遗传操作 步骤分析 为了说明遗传算法的实质，本节以简单函数极值的求解过程为例。 设自变量介于0-31，求其二次函数的最大值，即 （1-1） 当然，利用简单的代数运算，我们可以求出该问题的解为x=31。现在改用遗传算法求解。遗传算法通常包括下述工作： (1) 遗传算法首先要用字符串表达所研究的问题，这称作编码。表达问题的字符串相当于遗传学中的染色体。每个字符串称作个体。每一遗传代次中个体的组合称为群体。为了便于计算机操作，通常字符串长度固定，字符用二进制码或为0，或为1。 本例中，用二进制数表示x值。由于x的最大值（31）只需5位二进制数，以利用5位二进制数组成个体。 （2）形成初始群体。遗传算法中，常用随机的方法产生初始群体，即随机生成一组任意排列的字符串。群体中个体的数目通常也是固定的。 本例中，采用随机产生的方法，假设得出拥有4个个体的初始群体，即：01101、11000、01100、10011。它们的x值相应为：13、24、8、19（见表2-1）。 个体编号 初始群体 适应度 下代个体数目 1 2 3 4 5 6 7 1 01101 13 169 0.14 0.58 1 2 11000 24 576 0.49 1.97 2 3 01000 8 64 0.06 0.22 0 4 10011 19 361 0.31 1.23 1 总计 1170 平均值 293 最大值 576 最小值 64 表2-1 遗传算法的第0代 （3）计算适应度。衡量字符串（染色体）好坏的指标是适应度（Fitness），它通常也就是遗传算法中的目标函数。适应度是今后优胜劣汰的主要判据。 在本例中，适应度比较简单，用 计算。当x值为13、24、6、19时的适应度分别为：169、576、64、361（表2-1的第4列）。 表1-1中还列举当前适应度的总和 及平均值 ，即 表1-1中第6列的 表示每个个体的相对适应度，它反映个体之间的相对优劣性。例如，2号个体的 值最高（1.97）,为优良个体；而3号个体最低（0.22），为不良个体。 （4）复制（Reproduction）。为了将已有的群体变为下一代群体，遗传算法仿效进化论中“自然选择，适者生存”的原则，从旧群体中选择优良个体予以复制，直接进入下一代群体。选择的依据是个体适应度的大小，适应度大的个体接受复制，使之繁殖；适应度小的个体则予删除，使之死亡。 本例中，根据相对适应度 的大小对个体进行取舍。2号个体性能最优（ ），予以复制繁殖。3号个体性能最差（ ），将它删除，使之消亡。表2-1第7列表示传递给下一代的个体数目，其中2号个体占2个，3号个体为0个，1号及4号个体仍保持为1个。 这样，就产生下一代新群体，如表1-2所示。新群体的4个个体分别是01101、11000、11000、10011。从表2-2第4列可以看出，复制后产生的新一代群体，其平均适应度明显增加，由原来的293（表2-1）增至421（表2-2）。造成平均适应度增加的原因有二：一是淘汰原来最差的个体，使最小的适应度由原来的64（表2-1）增至169（表2-2）；另一个原因是增加优良个体（2号）的个数，使适应度累计值增加。因此，复制体现优胜劣汰原则，使群体素质不断得到改善。 个体编号 复制初始群体 复制后适应度 交换对象 交换位置 交换后群体 交换后适应度 1 2 3 4 5 6 7 8 1 01101 13 169 2号 3 01100 144 2 11000 24 576 1号 3 01100 144 3 11000 24 576 4号 2 11011 729 4 10011 19 361 3号 2 10000 256 总计 1682 1754 平均值 421 439 最大值 576 729 表2-2 遗传算法的复制与交叉（第1代） （5）交叉（Crossover）。通过复制产生新群体，其总体性能得到改善，然而却不能产生新的个体。为了产生新的个体，遗传算法仿照生物学中交叉的方法，对染色体（字符串）的某些部分进行交叉换位。被交换的母体都选自经过复制产生的新一代个体（优胜者）。 本例中，利用随机配对的方法，决定1号和2号个体、3号和4号个体分别交叉，如表1-2第5列所示。再利用随机定位的方法，确定这两对母