遗传算法1(2)电气与电子测量技术.pdf

自动控制理论实验课程 实验九：遗传算法实验 第一部分：遗传算法的基本原理 主讲内容 1 遗传算法的基本概念 2 遗传算法的步骤 3 遗传算法的计算举例 一、遗传算法的基本概念 1、遗传算法（GA ）的产生 遗传算法 （Genetic Algorithm ，GA ）是20世纪60~70年代主要由美国 Michigon 大 学 John Holland 教授提出 ，其内涵哲理启迪于自然界生物从低级、简单到高级、复杂 ， 乃至人类这样一个漫长而绝妙的进化过程。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 ，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 。 2、遗传算法的基本思想 ① 根据问题的目标函数构造适应度函数(Fitness Function) ； ② 产生一个初始种群(100 - 1000) ； ③ 根据适应度函数的好坏，不断选择繁殖； ④ 若干代后得到适应度函数最好的个体即最优解； 3、遗传算法的构成要素 ① 种群(Population) ，种群大小(Pop-size) ② 基因表达法——编码方法(Encoding Scheme; Gene Representation) ③ 遗传算子(Genetic Operator) ：选择（Option ），交叉(Crossover) ，变异 (Mutation) ，交叉率高，解空间大，但计算时间长； ④ 选择策略: 一般为正比选择，选择种群中适应值高的个体，适者生存，优胜劣汰； ⑤ 停止准则(Stopping Rule/Criterion): 一般是指定最大迭代次数； GA 的构成要素说明： 选择 交叉 变异 过程如下： 过程如下： 过程如下： 是根据个体的优 指 两 个 相 互 配 是将个体编码字 劣程度决定在下一代 对的染色体按某种方 符中的某些基因用其 是被淘汰还是被复制 式相互交换其部分基 他等位基因来替换 ， （即个体继续存在 ， 因而生产两个新的个 从而生成一个新的染 子 代 保 持 父 代 的 基 体 ，体现了自然界中 色体 ，在群体中引入 因 ），使群体中优秀 群体内个体之间的信 新的变种确保群体中 的个体有更多的机会 息交换； 信息的多样性等遗传 操作； 传给下一代； 4、生物遗传概念在遗传算法中的对应关系 生物遗传概念 遗传算法中的作用 适者生存 最优目标值的解有最大可能留住 个 体 解 染 色 体 解的编码（字符串、向量等） 基 因