遗传算法的基本原理111.pdfVIP

2.1 遗传算法的基本描述 2.1.1 全局优化问题 全局优化问题的定义： 给定非空集合 S 作为搜索空间， f ：S— R 为目标函数，全局优化问题作 为任务 max f ( x) 给出，即在搜索空间中找到至少一个使目标函数最大化的点。 x S * * 全 局 最 大 值 （点 ） 的 定 义 ： 函 数 值 f f (x ) 称 为 一 个 全 局 最 大 值 ， 当 且 仅 当 * * x S f ( x) f (x ) 成立时， x S 被称为一个全局最大值点（全局最大解）。 局部极大值与局部极大值点（解）的定义： 假 设 在 S 上 给 定 了 某 个 距 离 度 量 ， 如 果 对 x S ， 0 ， 使 得 对 x S ， ’ (x , x ) f (x ) f ( x ) ，则称 x 为一个局部极大值点， f (x ’)为一个局部极大值。当目标 函数有多个局部极大点时，被称为多峰或多模态函数（ multi-modality function ）。 主要考虑两类搜索空间： 伪布尔优化问题： 当 S 为离散空间 BL ={0,1} L , 即所有长度为 L 且取值为 0 或 1 的二进制位串的集 合时，相应的优化问题在进化计算领域称为伪布尔优化问题。 连续参数优化问题： 当取 S 伪 n 维实数空间 Rn 中的有界集合 S n [ a , b ] ，其中 a b ，i i 1 i i i i = 1, 2, … , n 时，相应的具有连续变量的优化问题称为连续参数优化问题。 对 S 为 BL ={0,1} L ，常采用的度量时海明距离，当 S n [ a , b ] 时，常采用的度量就是欧氏 i 1 i i 距离。 2.1.2 遗传算法的基本流程 遗传算法的基本步骤如下： 1） 选择编码策略，把参数集合 X 和域转换为位串结构空间 S； 2 ） 定义适应度函数 f(X) ； 3 ） 确定遗传策略，包括群体规模，选择、交叉、变异算子及其概率。 4 ） 生成初始种群 P ； 5 ） 计算群体中各个体的适应度值； 6 ） 按照遗传策略，将遗传算子作用于种群，产生下一代种群； 7 ） 迭代终止判定。 遗传算法涉及六大要素：参数编码，初始群体的设定，适应度函数的设计，遗传操作的设计，控 制参数的设定，迭代终止条件。 2.1.3 遗传编码 由于 GA 计算过程的鲁棒性， 它对编码的要求并不苛刻。 原则上任何形式的编码都可以， 只要存 在合适的对其进行操作的遗传算子，使得它满足模式定理和积木块假设。 由于编码形式决定了交叉算子的操作方式，编码问题往往称作编码 - 交叉问题。 对于给定的优化问题，由 GA 个体的表现型集合做组成的空间称为 问题（参数）空间 ，由 GA 基 因型个体所组成的空间称为 GA编码空间 。遗传算子在 GA 编码空间中对位串个体进行操