遗传算法及其应用-毕业论文

摘要

遗传算法是一种模拟自然界生物进化的搜索算法，由于它的简单易行、鲁棒性强，尤其是其不需要专门的领域知识而仅用适应度函数作评价来指导搜索过程，从而使它的应用范围极为广泛，并且己在众多领域得到了实际应用，取得了许多令人瞩目的成果，引起了广大学者和工程人员的关注。

在简要的介绍了遗传算法的发展历史和研究现状及其生物学、数学基础后，文中引出了遗传算法的基本概念和原理、分析了遗传算法的基本实现技术。如：编码、适应度函数、遗传算法的三大遗传操作、参数规则等。最后在介绍了遗传算法程序设计原则的基础上，编程实现了遗传算法在图像识别中的应用，在实践中检验了遗传算法的实际效果。

关键词：遗传算法，适应度函数，图像识别

ABSTRACT

The genetic algorithm is a kind of searching method which simulates the natural evolution. It is simple and easy to implement, especially it do not need the special field knowledge, so it has been using in very broad fields. Now the genetic algorithm has got a lot of fruits, and more and more scholars begin to pay attention on it.

After brief introducted the genetic algorithm and studyed the history of the development status and biology, mathematical basis, we brought out the basic genetic algorithm concepts and principles, analysised the genetic algorithm to achieve the basic technology. Such as: coding, fitness function, genetic algorithm of the three major genetic manipulation, and other parameters of the rules. Finally, introduced a genetic algorithm procedures based on the principles of design, programming a genetic algorithm in the application of image recognition, in practice, we test the practical effects of genetic algorithm.

Key word：genetic algorithm，Fitness function，image recognition

引言

当前科学技术正进入多学科互相交叉、互相渗透、互相影响的时代，生命科学与工程科学的交叉、渗透和相互促进是其中的一个典型例子，也是近代科学技术发展的一个显著特点。遗传算法的蓬勃发展正体现了科学发展的这一特点和趋势。制造机器智能一直是人类的梦想，人们为此付出了巨大的努力。近年来，随着人工智能应用领域的不断拓广，传统的基于符号处理机制的人工智能方法在知识表示、处理模式信息及解决组合爆炸等方面所碰到的问题已变得越来越突出，这些困难甚至使某些学者对人工智能提出了强烈批判，对人工智能的可能性提出了质疑。在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准优解。因此，研究能在搜索过程中自动获得和积累有关搜索空间的知识，并能自适应地控制搜索过程，从而得到最优解或准优解的通用搜索算法一直是令人瞩目的课题。遗传算法就是在这种背景下产生并经实践证明特别有效的算法。

遗传算法(Genetic Algorithm GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法,其基本思想是基于Darwin的进化论和Mendel的遗传学说。该算法由密执安大学教授Holland及其学生于1975年创建。自1985年以来。国际上已召开了多次遗传算法的学术会议和研讨会。国际遗传算法学会组织召开的ICGA(International Conference on Genetic Algorithms)会议FOGA(Workshop -on Foundation of Genetic Algorithms)会议。为研究和应用遗传算法提供了国际交流的机会。

作为一种通用的问题求解方法，遗传算法采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择，来指导学习和确定搜索的方向。

近年来，遗传算法已被成功地应用于工业、经济管理、交通运输、工业设计等不同领域。解决了许多问题。例如：可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。

第一章绪论

1.1遗传算法的发展历史与研究现状

20世纪60年代，美国Michigan大学的John Holland教授开始研究自然和人工系统的自适应行为，在这些研究中，他试图发展一种用于创造通用程序和机器的理论，使得通用程序和机器具有适应任意环境的能力。他意识到用群体方法搜索以及选择、交换等操作策略的重要性。在六十年代中期至七十年代末期，基于语言智能和逻辑数学智能的传统人工智能十分兴盛，而基于自然进化的思想则遭到怀疑和反对，Holland及其数位博士生仍坚持了这一方向的研究。Bagley发明“遗传算法”一词，并发表了第一篇有关遗传算法应用的论文，在他开创性的博士论文中采用双倍体编码，发展了与目前类似的复制、交换、突变、显性、倒位等基因操作，他还敏锐地察觉到防止早熟收敛的机理，并发展了自组织遗传算法的概念。与此同时，Rosen-berg在他的博士论文中进行了单细胞生物群体的计算机仿真研究，对以后函数优化的研究颇有启发，并发展了自适应交换策略。Cavicohio 1970年研究了基于遗传算法的子程序选择和模式识别问题，在模式识别问题上，采用整数编码，检索空间很大，他提出了以预选择策略保证群体多样性，对遗传算法参数进行中心控制的方法。同年，Weinberg研究了生物体的计算机仿真，他的贡献在于提出运用多层遗传算法来进行遗传算法的参数自优化。1968至1971年，Holland 提出了重要的模式理论，建议采用二进制编码。与前面几位博士不同，Holland首次采用二进制编码来研究函数优化问题，并指出了运用Gray码的一些优点，他研究了从生物系统引申出的各种不同的选择和配对策略。1972年，Frantz的博士论文中研究了许多新的问题，如基因非线性(异位显性)现象，基因迁移操作及多点交换操作等，由于没有设计出诸如GA－eception之类合适的非线性优化问题，实验结果并不具备说服力。这一年，Holland的模式理论也渐趋成熟，但在编码策略上出现了至今仍执争论的二派，一派根据模式定理建议用尽量少的符号编码，一派以数值优化计算的方便和精度为准采用一个基因一个参数的方法，并把相应的基因操作改造成适合实数操作的形式，Bosworth，Zoo和Zeigler是后者的开创者。1975年竖立了遗传算法发展史上的两块里