遗传算法综述.docxVIP

遗传算法综述 摘要 遗传算法(GeneticAlgorithm,GA)是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法，其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题，可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。本文从遗传算法的起源谈起，论述了遗传算法的基本思想和基本原理，并对其性能和收敛性进行了分析，最后还介绍了几种改进的遗传算法及其在求解旅行商问题(TSP)方面的应用。 关键词：遗传算法；搜索算法；TSP；遗传算法收敛性1引言 在自然界中，生物要生存下去，就必须进行生存斗争。在生存斗争中，具有有利变异的个体容易存活下来，并且有更多的机会将有利变异传给后代；具有不利变异的个体就容易被淘汰，产生后代的机会也少得多。因此，凡是在生存斗争中获胜的个体都是对环境适应性比较强的。达尔文把这种在生存斗争中适者生存，不适者淘汰的过程叫做自然选择。遗传算法是根据这种生物的自然进化思想而启发得出的一种全局优化算法。 遗传算法是由美国的J.Holland教授于1975年在他的专著《自然和人工系统的适应性》中首先提出的，他将遗传算法应用于函数优化中，设计了遗传算法执行策略和性能评价指标。1989年，Goldberg出版了专著《搜索、优化和机器学习中的遗传算法》，系统总结了遗传算法的主要研究成果，全面完整的论述了遗传算法的基本原理和应用，奠定了现代遗传算法的科学基础。 遗传算法，在本质上是一种不依赖具体问题的直接搜索方法，是一种求解问题的高效并行全局搜索方法。遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、负载平衡、电磁系统设计、生物科学、社会科学等方面都得到了应用。在人工智能研究中，现在人们认为“遗传算法、自适应系统、细胞自动控制、混沌理论与人工智能一样，都是对今后十年的计算技术有重大影响的关键技术”。 目前在遗传算法的研究中，尽管还存在一些有争议的问题，甚至还有某些截然不同的学术观点和设计原则，一时尚难统一，整个遗传算法的理论基础还比较薄弱，但是很多实例及应用充分表明，模拟自然进化的搜索过程往往可以产生非常简单、通用和鲁棒性很强的计算方法。如今，无论是对遗传算法的理论研究还是应用研究都分外活跃。 2遗传算法的特点 2.1遗传算法的基本思想 遗传算法抽象于生物体的进化过程，通过全面模拟自然选择和遗传机制，形成一种具有“生成+检验”特征的搜索算法。遗传算法以编码空间代替问题的参数空间，以适应度函数为评价依据，以编码群体为进化基础，以对群体中个体位串的遗传操作实现选择和遗传机制，建立起一个迭代过程。 与传统搜索算法不同，遗传算法从一组随机产生的初始解（称为种群）开始搜索过程，群体中的每个个体是问题的一个解（称为染色体），这些染色体在后续迭代中不断进化（称为遗传）。遗传算法是从编码工作开始的，一开始需要实现从表现型到基因型的映射（即编码），初始种群产生后，遗传算法主要通过选择、交叉、变异实现运算。通过运算生成下一代染色体（称为后代）。染色体好坏用适应度来衡量，根据适应度的大小从上一代和后代中选择个体，作为下一代群体，再继续进化。这样经过若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。 2.2遗传算法的主要特点 根据达尔文的自然选择学说和孟德尔的遗传变异学说建立起来的遗传算法是一种鲁棒的、自适应的、开放性的随机优化算法。 遗传算法的优化对象是参数的编码而非参数本身。遗传算法对一些个体进行进化操作，这些个体是基于某种编码方式而获得的位串，因此遗传算法首先有一个有限的字母表。通常遗传算法的编码方式是基于二进制的编码。遗传算法通过适应值函数即目标函数来计算每个个体的适应值大小，而不需要其它有关问题的信息和推导，算法的独立性强，使得遗传算法能够形成一种通用算法框架，在处理完全不同的问题时，仅需要稍加修改就可以移植使用，降低了推广的成本。遗传算法的寻优规则是由概率确定的，而非确定性的。算法的目标函数给出一个进化的方向和目标，但算法以何种路径进行搜索则是概率确定的。因此遗传算法被称为是一种随机优化算法。但这点并不意味着遗传算法是完全地进行随机搜索。遗传算法在解空间中进行高效的启发式搜索，而不是盲目地穷举或者完全随机的搜索。 由上所述可知，遗传算法与传统优化方法相比有以下特点： （1）遗传算法的自组织、自适应性（智能性）。应用遗传算法求解问题时，在编码方案、适应度函数及遗传算子确定后，算法将得用进化过程中获得的信息自行组织搜索。由于基于自然的选择策略为“适者生存，不适应者初淘汰”，因而适应度大的个体具有较高的生存概率。通常，产生更适应环境的后代。遗传算法的这种自组织、自适应特征，使它同时具有能根据环境变化来自