机电产品现代设计方法7.4 机电产品现代设计方法-OPT(2 遗传算法GA).pdf

机电产品现代设计方法-OTP优化设计

遗传算法：GeneticAlgorithm

1.GA概念，组成要素

2.GA应用例子

哈工大机电学院

1.1遗传算法

生物体的化学组成

1.1GA-概念

产生

早在50年代，一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过

程；

1963年，德国柏林技术大学的I.Rechenberg和H.P.Schwefel，做风洞实验时，产生了

进化策略的初步思想；

60年代，L.J.Fogel在设计有限态自动机时提出进化规划的思想。1966年Fogel等出版

了《基于模拟进化的人工智能》，系统阐述了进化规划的思想。

60年代中期，美国Michigan大学的J.H.Holland教授提出借鉴生物自然遗传的基本原理

用于自然和人工系统的自适应行为研究和串编码技术；

1967年，他的学生J.D.Bagley在博士论文中首次提出“遗传算法(Genetic

Algorithms)”一词；

1975年，Holland出版了著名的“AdaptationinNaturalandArtificialSystems”，

标志遗传算法的诞生。

发展

70年代初，Holland提出了“模式定理”（SchemaTheorem），一般认为是“遗传算法的

基本定理”，从而奠定了遗传算法研究的理论基础；

1985年，在美国召开了第一届遗传算法国际会议，并且成立了国际遗传算法学会(ISGA，

InternationalSocietyofGeneticAlgorithms)；

1989年，Holland的学生D.J.Goldherg出版了“GeneticAlgorithmsinSearch,

Optimization,andMachineLearning”，对遗传算法及其应用作了全面而系统的论述；

1991年，L.Davis编辑出版了《遗传算法手册》，其中包括了遗传算法在工程技术和社会

生活中大量的应用实例。

1.1GA-基本概念

遗传算法（GeneticAlgorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰

遗传机制）演化而来的随机化搜索方法。

(1)直接对结构对象进行操作，不存在求导和函数连续性的限定；

(2)具有内在的并行性和更好的全局寻优能力；

(3)采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向

，不需要确定的规则。

(4)遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适

应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

对于一个求函数最大值的优化问题（求函数最小值也类同），一般可以描述为下列数学规

划模型：

式中为决策变量，

目标函数式，

、

为约束条件，U是基本空间，R是U的子集。满足约束条件的解

称为可行解，集合R表示所有满足约束条件的解所组成的集合，称为可行解集合。

1.1GA-基本概念-对照迭代算法三要素

一、初值（多个初值，基因编码）

染色体（chromosome）：遗传物质的载体；脱氧核糖核酸（DNA）：双螺旋结构；RNA

遗传因子（gene）：DNA或RNA长链结构中占有一定位置的基本遗传单位；

基因型（genotype）：遗传因子组合的模型；表现型（phenotype）：染色体决定的外部表现；

个体（individual）：指染色体带有特征的实体；种群（population）：个体集合，种群大小；

编码（coding）：表现型到基因型的映射；解码（decoding）：从基因型到表现型的映射

二、递推（迭代）

进化（evolution）：生物逐渐适应其生存环境，其品质不断得到改良，这种生命现象称为进化；

选择（selection）：指决定以一定