遗传算法的原理和应用

《遗传算法的原理和应用》由会员分享，可在线阅读，更多相关《遗传算法的原理和应用（5页珍藏版）》请在装配图网上搜索。

1、遗传算法的原理和应用专业：信息与计算科学班级：信计1 3 1学 号：1315030110姓 名：马琳遗传算法的原理和应用遗传算法(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。它是由美国的J.Holland教授1975年首先提出，其 主要特点是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；具有内在的隐并行 性和更好的全局寻优能力；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。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

2、等领域。它是现代有关智能计算中的 关键技术。遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比， 主要有以下特点：1、遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际 植本身，而遗传算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和 基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便的应用遗传操作 算子。2、遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。3、遗传算法使用多个点的搜索信息，具有隐含并行性。4、遗传算法使用概率搜索技术，而非确定性规则。遗传算法的基本运算过程如下：a) 初始化：设置进化代

3、数计数器t=0，设置最大进化代数T,随机生成M个个体作为初 始群体P(0)。b) 个体评价：计算群体P(t)中各个个体的适应度。c) 选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或 通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基 础上的。d) 交叉运算：将交叉算子作用于群体。遗传算法中起核心作用的就是交叉算子。e) 变异运算：将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值 作变动。群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)。f) 终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个

4、体作为最优解输 出，终止计算。由于遗传算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助 知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求 解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性， 所以广泛应用于许多科学，下面我们将介绍遗传算法的一些主要应用领域：1、函数优化。函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多 人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函 数和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题， 用其它优

5、化方法较难求解，而遗传算法可以方便的得到较好的结果。2、组合优化随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用 枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解 上,而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的 NP问题非常有效。例如遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分 问题等方面得到成功的应用。此外，GA也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编 码和机器学习等方面获得了广泛的运用。进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十

6、 分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利 用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之 中。此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增 添了新的活力。遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化 的应用方面。随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传 算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展 到具有独特的规则生成功能的崭新的机器学习算法。这一新的学习机制对于解决人工智能中 知识获取和知识优化精

7、炼的瓶颈难题带来了希望。二是遗传算法正日益和神经网络、模糊推 理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技 术将具有重要的意义。三是并行处理的遗传算法的研究十分活跃。这一研究不仅对遗传算法 本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。四是遗传算法和 另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰 富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而 遗传算法在这方面将会发挥一定的作用，五是遗传算法和进化规划(Evolution Programming,EP)以及进化策略(Ev

8、olution Strategy,ES)等进化计算理论日益结合。EP 和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物 进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。目前，这三者之 间的比较研究和彼此结合的探讨正形成热点。1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子(Adjacency based crossover)，这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了TSP问 题中，通过实验对其进行了验证。D.H.Ackley 等提出了随即迭代遗传爬山法(Sto chas tic It era ted Gen

9、e tic Hill-climbing，SIGH)采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共 同决定新个体的值(m表示群体的大小)。实验结果表明,SIGH与单点交叉、均匀交叉的神 经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比 现存的许多算法在求解速度方面更有竞争力。H.Bersini和G.Seront将遗传算法与单一方法(simplex met hod)结合起来，形成 了一种叫单一操作的多亲交叉算子(simplex crossover)，该算子在根据两个母体以及一 个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一

10、致。 同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其 余两个有更好的性能。国内也有不少的专家和学者对遗传算法的交叉算子进行改进。2002年，戴晓明等应 用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异 算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法 的收敛到局部最优值问题2004年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现 象，提出了一种用基因块编码的并行遗传算法(Building-block Coded Parallel GA，BCPGA)。 该方法以粗粒度并行遗传算法

11、为基本框架，在染色体群体中识别出可能的基因块，然后用基 因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体 群体作为下一轮以相同方式演化的初始群体。2005年，江雷等针对并行遗传算法求解TSP 问题,探讨了使用弹性策略来维持群体的多样性，使得算法跨过局部收敛的障碍，向全局最优 解方向进化。接下来，我们通过一个求解简单函数的最小值点的问题来初步展 示遗传算法的具体实现方法：问题1:求函数f (x) llsin(6x) 7cos(5x)在x 0, 2区间上的最小值点。上图为函数f (x)口 11sin(6x)口 7cos(5x)在x 口0, 2 区间上的曲线图像，可以

12、看出，该函数有多个极值点，如果使用其他的搜寻方法，很容易陷入局部最小点，而不 能搜寻到真正的全局最小点，但遗传算法可以较好地弥补这个缺陷。遗传算法的具体实现如下：1问题分析。对于本问题，自变量x可以抽象为个体的基因组，即用二进制编码表示x ； 函数值f (x)可以抽象为个体的适应度，函数值越小，适应度越高。关于二进制编码方式, 在精度允许的范围下，可以将区间内的无穷多点用间隔足够小的有限点来代替，以降低计算 量同时保证精度损失不大。如用16位二进制数来表示该区间的点，相邻点的函数值的变化 幅度已经很小，由此带来的精度损失完全可以接受。由于遗传算法的整体搜索策略和优化搜索方法在计算时不依赖于梯度

13、信息或其它辅助知 识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解 复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所 以广泛应用于许多科学。遗传算法的一些主要应用领域:函数优化函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多人 构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数 和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题， 用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果。组合优化随着问题规模的增大，组合优化问题的搜索空间也急剧增

14、大，有时在目前的计算上用枚 举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上， 而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的NP 问题非常有效。例如遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问 题等方面得到成功的应用。此外，GA也在生产调度问题、自动控制、机器人学、图像处理、人工生命、遗传编码 和机器学习等方面获得了广泛的运用。车间调度车间调度问题是一个典型的NP-Hard问题，遗传算法作为一种经典的智能算法广泛用于 车间调度中，很多学者都致力于用遗传算法解决车间调度问题，现今也取得了十分丰硕的成 果。从最初的传统车间调度（JSP）问题到柔性作业车间调度问题（FJSP），遗传算法都 有优异的表现，在很多算例中都得到了最优或近优解。