华南理工大学最优化理论——第十二章遗传算法.pptVIP

第三篇 智能优化方法 第12章 遗传算法 遗传算法（genetic algorithm，简称GA）是模拟自然界生物进化的一种随机、并行和自适应搜索算法。 遗传算法的术语借鉴于自然遗传学。它由贺兰德（Holland）提出，最初用于研究自然系统的适应过程和设计具有自适应性能的软件。 它将优化参数表示成的编码串群体，根据适应度函数进行选择、交叉和变异遗传操作。 遗传算法广泛应用于自动控制、规划设计、组合优化、图象处理、机器学习、信号处理、人工生命等领域。 遗传算法的基本形式 遗传算法要求有： 一个染色体表示用来对参数空间编码；一个解称为一个符号串或染色体； 一个适度函数用于估价所有的染色体； 一组遗传操作用于产生新的染色体； 一组概率用于控制遗传操作。交叉概率和变异概率。 遗传算法 它在每一次迭代时都拥有一组解答。 这组解答最初是随机生成的。在每次迭代时又有一组新的解答由模拟进化和继承的遗传操作生成。每个解答都由一个目标函数给予评价，而且这一过程不断重复，直至达到某种形式上的收敛。 新的一组解答不但可以有选择地保留一些目标函数值高的旧的解答，而且可以包括一些经由其它解答结合而得的新的解答。遗传算法成功的关键在于符号串表示和遗传操作的设计。下一节介绍一种具有三个简单操作的遗传算法。 12.1 遗传算法实现 遗传算法（GA）的一次迭代称为一代，每一代都拥有一组解。新的一组解