遗传算法及其应用实例.pdf

遗传算法及其应用实例 遗传算法搜索最优解的方法是模仿生物的进化过程，即通过选择 与染色体之间的交叉和变异来完成的。遗传算法主要使用选择算子、 交叉算子与变异算子来模拟生物进化，从而产生一代又一代的种群 X ( t ) 。 1．遗传算法的简单原理 遗传算法 (Genetic Algorithm, GA) 是一种基于自然群体遗传演化机制的高效探索算法， 它摒弃了传统的搜索方式， 模拟自然界生物进 化过程，采用人工进化的方式对目标空间进行随机化搜索。它将问题域中的可能解看作是群体的一个个体或染色体，并将每一个体 编码成符号串形式，模拟达尔文的遗传选择和自然淘汰的生物进化过程，对群体反复进行基于遗传学的操作（遗传，交叉和变异） ， 根据预定的目标适应度函数对每个个体进行评价，依据适者生存，优胜劣汰的进化规则，不断得到更优的群体，同时以全局并行搜 索方式来搜索优化群体中的最优个体，求得满足要求的最优解。 遗传算法主要是用来寻优，它具有很多优点：它能有效地避免局部最优现象，有及其顽强的鲁棒性，并且在寻优过程中，基本不需 要任何搜索空间的知识和其他辅助信息等等。利用遗传算法，可以解决很多标准优化算法解决不了的优化问题，其中包括目标函数 不连续、不可微、高度非线性或随机的优化问题。 （1）选择算子：是模拟自然选择的操作，反映 “优胜劣汰 ”原 理。它根据每一个个体的适应度，按照一定规则或方法，从 t 代种群 X (t ) 中选择出一些优良的个体（或作为母体，或让其遗传到下一代种 群 X ( t 1) ）。 （2）交叉算子：是模拟有性繁殖的基因重组操作，它将从种群 X ( t ) 所选择的每一对母体，以一定的交叉概率交换它们之间的部分基 因。 （3）变异算子：是模拟基因突变的遗传操作，它对种群 X (t ) 中 的每一个个体，以一定的变异概率改变某一个或某一些基因座上的基 因值为其他的等位基因。 交叉算子与变异算子的作用都在于重组染色体基因，以生成新的 个体。 遗传算法的运算过程如下： 步 1 （初始化） 确定种群规模 N ，交叉概率 Pc ，变异概率 Pm 和终止进化准则；随 机生成 N 个个体作为初始种群 X (0) ；置 t 0。 步 2 （个体评价） 计算评估 X (t ) 中各个体的适应度。 步 3 （种群进化） 3.1. 选择（母体） 从 X (t ) 中运用选择算子选择出 M / 2 对母体 （M N ）。 c 3.2. 交叉 对所选择的 M / 2 对母体，以概率 P 执行交叉，形成 M 个中间个体。 m 3.3. 变异 对 M 个中间个体分别独立以概率 P 执行变异，形成 M 个候选个体。 3.4. 选择（子代） 从上述所形成的 M 个候选个体中依据适应度 选择出 N 个个体组成新一代种群 X (t 1) 。 步 4 （终止检验） 如已满足终止准则，则输出 X (t 1) 中具有最大适应度的个体作为 最优解，终止计算，否则置