GA遗传算法概述.docVIP

遗传算法及其应用 摘要：遗传算法是一种基于生物自然选择和遗传机理的随机搜索与优化方法。近年来,由于遗传算法在求解复杂问题中的巨大潜力及其在工业工程领域的成功应用,受到了国内外学者的广泛关注。本文详细介绍了遗传算法的基本原理、主要特征以及主要应用。 关键词：遗传算法；选择算子；交叉算子；变异算子 Genetic Algorithm and Its Application Abstract: Genetic algorithm is a random search and optimization method based on biological natural selection and genetic mechanism. In recent years,genetic algorithm has attracted many domestic and overseas scholars attention for its potential in solving many complex problems and its successful application in the field of industrial engineering, This paper introduces the basic principle ,the main characteristics and applications of genetic algorithm in detail. Key words: genetic algorithm, selection operator, crossover operator, mutation operator 遗传算法发展历史 1967年，Holland的学生Bagley在其博士论文中首次提出“遗传算法”[1]。1970年，Cavicchio把遗传算法应用于模式识别[2]。Hollstien最早把遗传算法应用于函数优化[3]。20世纪70年代，Holland教授提出了遗传算法的基本定理—模式定理[4]，从而奠定了遗传算法的理论基础。1975年，Holland教授出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptation in Natural and Artificial Systems》。同年，K.A.De Song在博士论文《遗传自适应系统的行为分析》结合模式定理进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，为遗传算法及其应用打下了坚实的基础，他所得出的许多结论迄今仍具有普遍的指导意义。 遗传算法理论 遗传算法的基本思想 遗传算法借鉴 Darwin 的物竞天择、优胜劣汰、适者生存的自然选择和自然遗传的机理。与传统搜索算法不同，遗传算法从一组随机产生的初始解（称为群体）开始。群体中的每个个体是问题的一个解，称为“染色体”，这些染色体在后代迭代过程中不断进化。遗传算法主要通过选择、交叉和变异来实现,其本质是一种求解问题的高效并行全局搜索方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。 遗传算法是一个迭代的过程，在每次迭代过程中都保留一组候选解，按解的好坏进行排序，按照约束条件从中选取一组解，利用遗传算法中的三个算子对其进行计算，产生新一代的候选解，重复此过程直到满足某种收敛条件为止。 遗传算法的数学基础 定义1： 模式是指种群个体基因串中的相似样板，它用来描述基因串中某些特征位相同的结构。在二进制编码中，模式是基于三个字符集（0,1，*）的字符串，符号*代表（0,1）中的任意字符。例如：10**1 定义2： 模式H中确定位置的个数称为模式H的阶，记O(H)。例如O(10**1)=3。 定义3： 模式H中第一个确定位置和最后一个确定位置之间的距离称为模式H的定义距，记作δ(H)。例如δ(10**1)=4。 模式阶用来反映不同模式间确定性的差异，模式阶数越高，模式的确定性就越高，所匹配的样本数就越少。在遗传操作中，即使阶数相同的模式，也会有不同的性质，而模式的定义距就反映了这种性质的差异。 定义4： 个体即要处理的对象、结构，也就是可行解。 定义5： 适应度即可行解对应的适应函数的值，表现为个体对于环境的适应程度。 模式定理：具有低阶、短定义距以及平均适应度高于种群平均适应度的模式在子代中呈指数增长。模式定理保证了较优的模式（遗传算法的较优解）的数目呈指数增长，为解释遗传算法机理提供了数学基础。 群体的规模 群体规模的确定，根据模式定理，受遗传操作中选择算子的影响最大。一般来说，群体规模越大，群体中个体的多样性越高，算法陷入局部解的危险越小。 但群体规模太大，从计算效率着眼，群体越大其适应度