遗传算法概述.docVIP

遗传算法归纳 1、遗传算法的发源 遗传算法是霍兰(J.H.Holland,1975)提出[1]，经过模 拟生物的进化过程，运用启示找寻规则，把一组模型中优异个体生计和 随机变异的信息互换结合在一同。从一组初始模型出发，依据给定的参数 变化范围及变化步长，将每个模型的所有参数用好多串通在一同的二进 制编码(或其余编码)串表示，经过选择、交织互换和变异不停保留优势特色，最后获取问题的最优解。其不依赖于梯度信息，而是经过模拟自然进化过程来找寻最优解，它利用某种编码技术，作用于染色体的字符串，模拟由这些串构成的集体的进化过程。拥有以下特色：对可行解 的表示广泛；拥有集体并行找寻特征；拥有很强的鲁棒性；可是它也有 一些不足，它的编码不规则及编码存在的不正确性， 其找寻的计算量大 且找寻效率低，出现早熟收敛等等，严重影响了遗传算法的应用，也 是 需要解决和改进研究的地方。进入 90年代，遗传算法迎来了兴旺发展时 期，无论是理论研究还是应用研究都成了十分热点的 课题，成为求解全 局优化问题的有力工具之一。 在基本理论发展方面来说， 模式定理和积木块假设是遗传算 法有效 的理论依照。模式定理保证了较优先的模式样本呈指数级 增添，从而满 足了找寻最优解得必需条件， 即遗传算法存在着找到全局最优解得可能 性。而积木块假设指出， 遗传算法所具备找寻到全局最优解得能力，即 拥有低阶、短距、高均匀适应度的模 式在遗传算子的作用下，互相结合， 能生成高阶、长距、低适应 度模式， 最后求得全局最优解。遗传算法全 局收敛性解析获得了很大进展，文件 [1] 给出了基于二进制编码的收敛性 经典结果及在集体无穷大的假设下， 谈论了分别单独使用交织和变异算 子实数编码遗传算法的收敛性。文件 [2] 在采纳最优个体保留策略的 前 提下获取了保证收敛的一般条件，并以之检验了采纳常用的交织与变异 算子时的实数编码遗传算法的收敛性。整体而言，遗传算法的基础理论研究到现在还没有获得打破性进展，理论与应用之间还存在着很大差距。 在算法设计方面发展，遗传算法需要选择的运转参数主要有集体规 模，交织概率、变异概率、停止代数，可是编码方式也对遗传算法的性能 有较大的影响。在编码方式的发展，从由二进制编码逐渐发展为十进制 编码。参数的控制由静态的设置逐渐演变成动向自适应技术，而交织、 变异算子也不停进行改进，将算法分层[3]或其余算法进行交融，很好的 改进了遗传算法。 2、遗传算法的基根源理及实现的主要要素遗传算法模拟基因重组与 进化的自然过程，把待解决的问题的参数进行编码为基因，若干基因构成一个染色体（个体），好多染色体近似于自然选择、配对交织和变异的运算，经过多次重复迭代直至获取最后的优化结果。遗传算法的实现需要对其进行参数编码、遗传操作运算包含（交织运算、变异运算、选 择运算）、适应度函数设计、参数的控制与拘束条件的办理来实现。对 各个部分进行优异的办理才能使整个算法性能最正确，追求出最优解 [4?6]。 编码是遗传算法要解决的首要问题。编码就是把一个问题的可行解 从其解空间变换到遗传算法所能办理的找寻空间的变换方法。为了战胜二 进制代码之间的汉明距离很大的问题提出格雷码，可是引入了另一层隐悬 崖，采纳大符号集编码及逐渐提出了十进制编码、动向编码等等编码方 式。 交织运算是按较大概率从种群中选择两个个体，按某种方式互相交 换两个个体的某个或某些部分基因，从而形成两个新的个体，其继承了 父代的基本特色。它是遗传算法差异于其余进化算法的重要特色，是产 生新个体的主要方法，也对算法的收敛性起主要作用。交织算子的设计 和实现与详细的问题亲近相关，前面的编码一同考虑，获取一种好的交 叉算子是研究者们向来致力于的工作。 变异运算以较小的概率对个体编码串上的某个或某些值进行改变， 从而形成新个体。变异自己是一种随机算法，与交织和选择算子结合可以 防范某些信息的扔掉，保持种群的多样性防范出现早熟现象，变异的方 向性可能指引遗传的方向性，加速最优解得收敛。交织算子和变异算子 互相配合，共同完成对空间的全局找寻和局部找寻，从而使遗传算法能 够以优异的找寻性能完成最优化问题的寻优过程。 选择运算对个体进行优越劣汰，依据每个个体的适应度值大 小选择，适应度较高的个体被遗传到下一代集体中的概率较大；适应度较 低的个体被遗传到下一代集体中的概率较小。可以使得 到集体中个体的适应值不停凑近最优解。选择算子在防范基因损 失，提升找寻速度和全局收敛方面有着举足轻重的作用。选择不 当会造成集体进化停止不前；或使适应度值偏大的个体误导集体 的发展方 向，使遗传失掉多样性，产生早熟问题。别的，选择与 编码方式没关。 适应度函数设计，适应度函数用于变换目标函数值， 给每一个个体 一个非负的价值数。适应度函数平时依据目标