遗传算法原理及其应用.docxVIP

遗传算法原理及其应用 遗传算法原理及其应用 《遗传算法原理及其应用》 Chap1 序论 一. 遗传算法的生物学基础 1.1 遗传与变异 基本概念 Cell:细胞 Chromosome:染色体 Gene:基因 Locus:基因座 Allele:等位基因 Genotype:基因型 Phenotype:表现型 Genome:基因组 Reproduction:复制 Crossover:交叉 Mutation:变异 1.2 进化 基本术语 Evolution:进化 Population:群体 Individual:个体 Fitness:适应度 1.3 遗传与进化的系统观 1) 生物的所有遗传信息都包含在其染色体中,染色体决定了生物的性状; 2) 染色体是基因及其有规律的排列所构成,遗传和进化过程发生在染色体上; 3) 生物的繁殖过程是由其基因的复制过程完成的; 4) 通过同源染色体之间的交叉或染色体的变异会产生新的物种,使生物呈现新的性状; 5) 对环境适应性好的基因或者染色体会经常比适应性差的基因或染色体有更多的机会遗传到下一代。 二. 遗传算法简介 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率 2.1 遗传算法概要 对于一个求函数最大值的优化问题（求函数最小值也类同），一般可描述为下述数学规 ?t划模型：?s..?? f(X)X∈R R?U 式中，X=[x1,x2,...,xn] 为决策变量，f（X）为目标函数，第2，3式为约束条件，U是基本空间，R是U的一个子集。满足约束条件的解X称为可行解，集合R表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。 对上述最优化问题，目标函数和约束条件种类繁多，由的是线性的，有的是非线性的；有的是连续的，有的是离散的；有点是单峰的，有的是多峰的。 求最优解或近似最优解的方法主要有三种：枚举法，启发式算法和搜索算法： 枚举法：枚举出可行解集合内的所有的可行解，以求出精确最优解。对于连续1） 函数，首先要求对其进行离散化处理。该法效率较低。 启发式算法：寻求一种能产生可行解的启发式规则，以找到一个最优解或近似最优解。此法对每个问题都必须找出其特有的启发式规则，不具有通用性。 搜索算法：寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优或者近似最优解。若适当利用一些启发式知识，可以在近似解的质量和求解效率上达到一种较好的平衡。 遗传算法中，将n维决策向量X=[x1,x2,...,xn] 用n个记号Xi (i=1,2,…,n) 所组成的符号串X表示： X=X1X2...Xn?X=[x1,x2,...,xn]TX=X1X2...Xn?X=[x1,x2,...,xn]T , 把每一个Xi 看作一个遗传基因，它的所有的可能取值称为等位基因。这样,X就可看做是由n个遗传基因组成的一个染色体。一般情况下，染色体的长度n是固定的，但对一些问题你也可以是变化的。根据不同的情况，这里的等位基因可以是一组整数，也可以是某一范围内的实数值，或者纯粹的一个记号。最简单的等位基因是由0和1这两个整数组成的，相应的染色体就可以表示为一个二进制符号串。这种编码形成的排列形式X就是个体的基因型，与之对应的X值就是个体的表现型。个体的适应度与其对应的个体表现型X的目标函数值相关联，X越接近于目标函数的最优点，其适应度越大；反之，其适应度越小。 遗传算法中，决策变量X组成了问题的解空间。对问题最优解的搜索是通过对染色体X的搜索过程来进行的，从而由所有的染色体X就组成了问题的搜索空间。遗传算法的运算过程也是一个反复迭代过程，第t代群体记做P(t), 经过一代遗传和进化后，得到第t＋1代群体，它们也是由多个个体组成的集合，记做P(t＋1)。 遗传算法中最优解的搜索过程也是模仿生物的进化过程，通过染色体之间的交叉和染色体的变异来完成。通过所谓的遗传算子（genetic operators）作用于群体P（t）中，进行遗传 操作，从而得到新一代群体P(t＋1)。 A. 选择（selection）： 根据各个个体的适应度，按照一定的规则或方法，从第t 代群体P(t)中选择出一些优良的个体遗传到下一代群体P(t＋1)中。 B. 交叉（crossover）：将群体P（t）内的各个个体随机搭配成对，对每一对个体， 以某个概率（称为交叉概率，crossover rate）交换他们之间的染色体。 变异（mutation）：对