遗传算法报告
实验六：遗传算法求解TSP问题实验2篇
实验六：遗传算法求解TSP问题实验2篇第一篇：遗传算法的原理与实现1. 引言旅行商问题（TSP问题）是一个典型的组合优化问题，它要求在给定一组城市和每对城市之间的距离后，找到一条路径，使得旅行商能够在所有城市中恰好访问一次并回到起点，并且总旅行距离最短。
遗传算法作为一种生物启发式算法，在解决TSP问题中具有一定的优势。
本实验将运用遗传算法求解TSP问题，以此来探讨和研究遗传算法在优化问题上的应用。
2. 遗传算法的基本原理遗传算法是模拟自然界生物进化过程的一种优化算法。
其基本原理可以概括为：选择、交叉和变异。
（1）选择：根据问题的目标函数，以适应度函数来评估个体的优劣程度，并按照适应度值进行选择，优秀的个体被保留下来用于下一代。
（2）交叉：从选出的个体中随机选择两个个体，进行基因的交换，以产生新的个体。
交叉算子的选择及实现方式会对算法效果产生很大的影响。
（3）变异：对新生成的个体进行基因的变异操作，以保证算法的搜索能够足够广泛、全面。
通过选择、交叉和变异操作，不断迭代生成新一代的个体，遗传算法能够逐步优化解，并最终找到问题的全局最优解。
3. 实验设计与实施（1）问题定义：给定一组城市和每对城市之间的距离数据，要求找到一条路径，访问所有城市一次并回到起点，使得旅行距离最短。
（2）数据集准备：选择适当规模的城市数据集，包括城市坐标和每对城市之间的距离，用于验证遗传算法的性能。
（3）遗传算法的实现：根据遗传算法的基本原理，设计相应的选择、交叉和变异操作，确定适应度函数的定义，以及选择和优化参数的设置。
（4）实验流程：a. 初始化种群：随机生成初始种群，每个个体表示一种解（路径）。
b. 计算适应度：根据适应度函数，计算每个个体的适应度值。
c. 选择操作：根据适应度值选择一定数量的个体，作为下一代的父代。
d. 交叉操作：对父代进行交叉操作，生成新的个体。
e. 变异操作：对新生成的个体进行变异操作，以增加搜索的多样性。
人工智能 遗传算法实验报告
人工智能试验陈述学号：姓名：试验名称：遗传算法试验日期： 2016.1.5【试验名称】遗传算法【试验目标】控制遗传算法的基起源基础理,熟习遗传算法的运行机制,学会用遗传算法来求解问题.【试验道理】遗传算法（Genetic Algorithm）是模仿达尔文生物进化论的天然选择和遗传学机理的生物进化进程的盘算模子,是一种经由过程模仿天然进化进程搜刮最优解的办法.遗传算法是从代表问题可能潜在的解集的一个种群开端的,而一个种群则由经由基因编码的必定命目标个别构成.每个个别现实上是染色体带有特点的实体.在一开端须要实现从表示型到基因型的映射即编码工作.因为模仿基因编码的工作很庞杂,我们往往进行简化,如二进制编码,初代种群产生之后,按照适者生计和优越劣汰的道理,逐代演变产生出越来越好的近似解,在每一代,依据问题域中个别的顺应度大小选择个别,并借助于天然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群.这个进程将导致种群像天然进化一样的后生代种群比前代加倍顺应于情况,末代种群中的最优个别经由解码,可以作为问题近似最优解.遗传算法程度流程图为：【试验内容】标题：已知f(x)=x*sin(x)+1,xÎ[0,2p],求f(x)的最大值和最小值.数据构造：struct poptype{double gene[length];//染色体double realnumber;//对应的实数xdouble fitness;//顺应度double rfitness;//相对顺应度double cfitness;//累计顺应度};struct poptype population[popsize+1];//最后一位存放max/minstruct poptype newpopulation[popsize+1];//染色体编码：[0,2]x π∈,变量长度为 2 π,取小数点后6位,因为2262322*102;π<<是以,染色体由23位字节的二进制矢量暗示,则X 与二进制串（<b 22 b 21…… b 0>）2之间的映射如下：()22222102010bb ......b 2'i i i b x =⎛⎫=•= ⎪⎝⎭∑;232'21x x π=- 顺应度函数： 因为请求f(x)的最值,所以顺应度函数即可为f(x).但为了确保在轮赌法选择过中,每个个别都有被选中的可能性,是以须要将所有顺应度调剂为大于0的值.是以,设计求最大值的顺应度函数如下：将最小问题转化为求-f(x)的最大值,同理,设计最小值的顺应度函数如下：种群大小：本试验默以为50,再进行种群初始化.试验参数：重要有迭代数,交叉概率,变异概率这三个参数.一般交叉概率在0.6-0.9规模内,变异概率在0.01-0.1规模内.可以经由过程手动输入进行调试.重要代码如下：void initialize()//种群初始化{srand(time(NULL));int i,j;for(i=0;i<popsize;i++)for(j=0;j<23;j++)population[i].gene[j]=rand()%2;void transform()//染色体转化为实数x{int i,j;for(i=0;i<=popsize+1;i++){population[i].realnumber=0;for(j=0;j<23;j++)population[i].realnumber+=population[i].gene[j]*pow(2 ,j);population[i].realnumber=population[i].realnumber*2*p i/(pow(2,23)-1);}}void cal_fitness()//盘算顺应度{int i;for(i=0;i<popsize;i++)population[i].fitness=population[i].realnumber*sin(po pulation[i].realnumber)+6;}void select()//选择操纵{int mem,i,j,k;double sum=0;double p;for (mem=0;mem<popsize;mem++)sum+=population[mem].fitness;for (mem=0;mem<popsize; mem++)population[mem].rfitness=population[mem].fitness/sum;population[0].cfitness=population[0].rfitness;for (mem=1;mem<popsize;mem++)population[mem].cfitness=population[mem-1].cfitness+population[mem].rfitness;for (i=0;i<popsize;i++){ //轮赌法选择机制p=rand()%1000/1000.0;if (p<population[0].cfitness)newpopulation[i]=population[0];else{for (j=0;j<popsize;j++)if(p>=population[j].cfitness&&p<population[j+1].cfitness)newpopulation[i]=population[j+1];}}for (i=0;i<popsize;i++)//复制给下一代population[i]=newpopulation[i];}void cross()//交叉操纵{int i, mem, one;int first = 0;double x;for(mem=0;mem<popsize;mem++){x = rand()%1000/1000.0;if (x<pcross){++first;if (first%2==0)Xover(one,mem);//个别间染色体进行交叉函数else one=mem;}}}void mutate()//变异操纵{int i, j,t;double x;for (i=0;i<popsize;i++)for(j=0;j<length;j++){x=rand()%1000/1000.0;if (x<pvariation){if(population[i].gene[j])population[i].gene[j]=0; else population[i].gene[j]=1;}}}void cal_max()//盘算最大值{int i;double max,sum=0;int max_m;max=population[0].fitness;for(i=0;i<popsize-1;i++){if(population[i].fitness>population[i+1].fitness)if(population[i].fitness>=max){max=population[i].fitness;max_m=i;}else if(population[i+1].fitness>=max){max=population[i+1].fitness;max_m=i + 1;}}if(max>population[popsize].fitness){iteration=0;for (i=0;i<length;i++)population[popsize].gene[i]=population[max_m].gene[i]; population[popsize].fitness=population[max_m].fitness; }for (i=0;i<length;i++)sum=population[popsize].gene[i]-population[max_m].gene[i];if(sum==0)iteration++;transform();printf("%f,%f,%f,%f\n",population[popsize].fitness,po pulation[popsize+1].fitness,population[popsize].realnumbe r,population[popsize+1].realnumber);}【试验成果】。
遗传算法实验报告
遗传算法实验报告遗传算法实验报告引言：遗传算法是一种模拟生物进化过程的优化算法，通过模拟自然选择、遗传变异和交叉等操作，逐步优化问题的解。
本实验旨在探究遗传算法在解决优化问题中的应用，并通过实验验证其效果。
一、实验背景遗传算法最早由美国科学家约翰·霍兰德于20世纪60年代提出，其灵感来源于达尔文的进化论。
遗传算法通过基因编码、适应度评估、选择、交叉和变异等操作，模拟了进化过程中的遗传和变异，从而找到问题的最优解。
二、实验目的本实验旨在通过遗传算法解决一个经典的优化问题，验证其在解决实际问题中的有效性。
同时，对遗传算法的参数设置和操作过程进行调整和优化，以提高算法的性能。
三、实验步骤1. 问题定义：选择一个经典的优化问题，例如旅行商问题（TSP）或背包问题。
2. 解空间建模：将问题的解表示为染色体，设计基因编码方式。
3. 适应度函数定义：根据问题的特点，设计一个能够评估染色体解的适应度函数。
4. 初始化种群：随机生成一组初始染色体，作为种群。
5. 选择操作：根据适应度函数，选择一部分较优秀的染色体作为父代。
6. 交叉操作：通过交叉操作，生成新的子代染色体。
7. 变异操作：对子代染色体进行变异操作，引入新的基因变异。
8. 适应度评估：计算新的子代染色体的适应度。
9. 父代替换：根据适应度函数，选择一部分较优秀的子代染色体替换掉父代染色体。
10. 终止条件判断：判断是否满足终止条件，若满足则结束算法，否则返回步骤5。
11. 输出结果：输出最优解及其适应度值。
四、实验结果与分析通过实验，我们得到了一组优化问题的最优解，并计算出其适应度值。
通过观察实验结果，我们可以发现遗传算法在解决优化问题中的有效性。
同时，我们还可以通过调整遗传算法的参数和操作过程，进一步提高算法的性能。
五、实验总结通过本次实验，我们深入了解了遗传算法的原理和应用。
遗传算法作为一种优化算法，具有较强的适应性和鲁棒性，在解决实际问题中具有广泛的应用前景。
遗传算法实验报告
人工智能实验报告遗传算法实验报告一、问题描述对遗传算法的选择操作，设种群规模为4，个体用二进制编码，适应度函数,x的取值区间为[0,30]。
若遗传操作规定如下：（1）选择概率为100%，选择算法为轮盘赌算法；（2）交叉概率为1，交叉算法为单点交叉，交叉顺序按个体在种群中的顺序；（3）变异几率为0请编写程序，求取函数在区间[0,30]的最大值。
二、方法原理遗传算法：遗传算法是借鉴生物界自然选择和群体进化机制形成的一种全局寻优算法。
与传统的优化算法相比，遗传算法具有如下优点：不是从单个点，而是从多个点构成的群体开始搜索；在搜索最优解过程中，只需要由目标函数值转换得来的适应值信息，而不需要导数等其它辅助信息；搜索过程不易陷入局部最优点。
目前，该算法已渗透到许多领域，并成为解决各领域复杂问题的有力工具。
在遗传算法中，将问题空间中的决策变量通过一定编码方法表示成遗传空间的一个个体，它是一个基因型串结构数据；同时，将目标函数值转换成适应值，它用来评价个体的优劣，并作为遗传操作的依据。
遗传操作包括三个算子：选择、交叉和变异。
选择用来实施适者生存的原则，即把当前群体中的个体按与适应值成比例的概率复制到新的群体中，构成交配池（当前代与下一代之间的中间群体）。
选择算子的作用效果是提高了群体的平均适应值。
由于选择算子没有产生新个体，所以群体中最好个体的适应值不会因选择操作而有所改进。
交叉算子可以产生新的个体，它首先使从交配池中的个体随机配对，然后将两两配对的个体按某种方式相互交换部分基因。
变异是对个体的某一个或某一些基因值按某一较小概率进行改变。
从产生新个体的能力方面来说，交叉算子是产生新个体的主要方法，它决定了遗传算法的全局搜索能力；而变异算子只是产生新个体的辅助方法，但也必不可少，因为它决定了遗传算法的局部搜索能力。
交叉和变异相配合，共同完成对搜索空间的全局和局部搜索。
三、实现过程（1）编码：使用二进制编码，随机产生一个初始种群。
遗传算法-report
33
遗传算法的应用
◆遗传算法在人工智能的众多领域便得到了广泛 应用。例如，机器学习、聚类、控制（如煤气 管道控制）、规划（如生产任务规划）、设计 （如通信网络设计、布局设计）、调度（如作 业车间调度、机器调度、运输问题）、配置（ 机器配置、分配问题）、组合优化（如TSP、 背包问题）、函数的最大值以及图像处理和信 号处理等等。
17
容易导致算法快速收敛到局部最优解，而非全局最 优解。（早熟现象）
18
● 轮盘赌选择法
s4 0.31
s30.06
s1 0.14 s2 0.49
轮盘赌选择示意图
19
在算法中轮盘赌法可用下面的子过程来模拟 :
① 在［0, 1］区间内产生一个均匀分布的随机
数r。
② 若r≤q1,则染色体x1被选中。
③ 若qk-1<r≤qk(2≤k≤N), 则染色体xk被选中。 其 中的qi称为染色体xi (i=1, 2, …, n)的积累概率, 其 i 计算公式为： qi P( x j )
8
例如：
个体 染色体
9
----
1001
（2，5，6）---- 010 101 110
概述
9
对于一个最优化问题，一定数量的候 选解（个体）的染色体的种群向更好的 解进化。进化从完全随机个体的种群开 始，之后一代一代发生。 在每一代中，整个种群的适应度被评 价，从当前种群基于适应度随机地选择 多个个体，通过自然选择（交叉、变异） 产生新的种群，该种群在算法的下一次 迭代中成为当前种群。
23
遗传算法（GA）的特点 1、GA很快就能找到良好的解，即使是在很复杂 的解空间中。
24
2、GA并不一定总是最好的优化策略，优化问题 要具体情况具体分析。所以在使用GA的同时，也 可以尝试其他算法，互相补充，甚至根本不用GA。
遗传算法报告
4复制概率Ps 染色体被复制的概率（选择率）：
ps=fi/∑fi
累积概率 ∑Pk
平均适应度： f =∑fi/n 5新种群复制
遗传算法报告
初始种群参数计算
编号
初始种群位 串
参数值x 值
目标适应 复制概率 累积概
值
率
率
f(x)=x2 fi/∑fi
1 01101
13
169
0.14 0.14
2 11000
遗传算法报告
6.突变
突变运算是使用基因位进行基因突变。假设突变几率Pm,
即种群内所有基因都有Pm的概率进行突变，每个基因突变几 率是均等的。因此将产生一系列随机数，然后将小于Pm的随 机数选出，并将其对应的基因值翻转,即把1变为0，把0变为1。 变异概率Pm与生物变异极小的情况一致，所以，Pm的取值 较小，一般取0.01-0.2。 例如有个体S＝101011。对其的第1，4位置的基因进行变异， 则有 S‘=001111 。单靠变异不能在求解中得到好处。但是， 它能保证算法过程不会产生无法进化的单一群体。因为在所 有的个体一样时，交叉是无法产生新的个体的，这时只能靠 变异产生新的个体。也就是说，变异增加了全局优化的特质
例：设有24参1数6xx∈L[2，(i3 k1]，bi2现i1用)U 24K 位二L1进制数对x进行编码，可
得
条染色体：
0000 0001 0010 0011 0100 0101 0110 0111 1000 1001 1010 1011 1100 1101 1110 1111
任意数据代入译码公式，如x=0111
❖ function[Fitvalue,cumsump]=fitnessfun(population);
技术报告_遗传算法
遗传算法1.概述遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。
每个个体实际上是染色体(chromosome)带有特征的实体。
染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。
因此，在一开始需要实现从表现型到基因型的映射即编码工作。
由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。
这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。
1.1产生与背景生物只有经过许多世代的不断进化（evolution,演化），才能更好地完成生存与繁衍的任务。
遗传算法也遵循同样的方式，需要随着时间的推移不断成长、演化，最后才能收敛，得到针对某类特定问题的一个或多个解。
了解一些有关有生命的机体如何演化的知识，对理解遗传算法的演化机制是是有帮助的。
从本质上说，任何生物机体不过就是一大堆细胞的集合。
每个细胞都包含若干组相同的DNA链，人们一般称之为染色体（chromosome）。
染色体中包含的DNA分为两股，这两股DNA 链以螺旋状绞合在一起，这就是我们所熟悉的DNA双螺旋结构模型。
图 1.1 DNA双螺旋结构单个染色体是由称作基因（gene）的更小结构模块组成，而基因则又由称作核苷酸（nucleotide）的物质组成。
遗传算法实验报告
实验一 二进制编码函数优化一、实验目的根据给出的数学模型，利用遗传算法求解，并用C 语言编程实现。
采用二进制编码方式，通过不断调整种群规模、进化代数、交叉因子和变异因子等参数，对目标函数进行优化求解。
重点：掌握二进制编码的编程过程。
二、实验仪器Acer Aspire V5-472G ，Windows 7 旗舰版，64位操作系统 Intel(R) Core(TM) i5-3337 CPU @1.8GHz 1.80 GHz Microsoft Visual C++ 6.0 Microsoft Office Excel 2016三、实验内容及步骤采用二进制编码方式优化如下测试函数： (1) De Jong 函数F1：极小点f 1(0, 0, 0)＝0。
(2) De Jong 函数F2：极小点f 2(1，1) = 0。
(3) De Jong 函数F3：对于]0.5,12.5[--∈i x 区域内的每一个点，它都取全局极小值30),,,,(543213-=x x x x x f 。
要求：对每一个测试函数，分析不同的种群规模（20～100）、交叉概率（0.4～0.99）和变异概率（0.0001～0.1）对优化结果的影响，试确定最佳参数组合。
四、实验报告(1) 根据De Jong函数F1：极小点f1(0, 0, 0)＝0。
给定Cmax=100，MaxGeneration=100，在此基础上改变A：Popsize(20、60、100)、B:Pc（0.3、0.6、0.9）、C：Pm（0.1、0.05、0.001）等参数，设计一个3因素3水平的正交实验，根据正交实验表进行实验。
将正交实验因素和实验结果整合成一个正交实验表，如表1.1.1所示。
其中M表示best达到0的最小迭代数，N代表Average的收敛性，收敛为1，不收敛为0。
对实验结果M、N两项参数进行分析，得到均值响应表，如表1.1.2所示。
表1.1.1 函数F1正交实验表表1.1.2 函数F1均值响应表通过分析均值响应表，得到较优的组合为A1B1C2和A1B1C1。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
传统优化算法可以解决一些比较简单的问题，但对于一些非线性的复杂问题，往往优化时间很长，并且经常不能得到最优解，甚至无法知道所得解同最优解的近似程度，而一些现代优化算法就能很好地解决这些问题。
2 0 世纪6 0 年代学者开始对遗传进化感兴趣，进而形成了遗传算法。
遗传算法(GA)是由美国Michigan大学的Holland教授于1975年首先提出的。
它源于达尔文的进化论、孟德尔的群体遗传学说和魏茨曼的物种选择学说;其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。
从公开发表的论文看,我国首先开始研究应用遗传算法的有赵改善和华中理工大学的师汉民等人。
遗传算法最早应用于一维地震波形反演中,其特点是处理的对象是参数的编码集而不是问题参数本身,搜索过程既不受优化函数联系性的约束,也不要求优化函数可导,具有较好的全局搜索能力;算法的基本思想简单,运行方式和实现步骤规范,具有全局并行搜索、简单通用、鲁棒性强等优点,但其局部搜索能力差,容易出现早熟现象。
自1985年起,国际遗传算法会议每两年召开一次,在欧洲,从1990年开始每隔一年也举办一次类似的会议。
1993年,国际上第一本以遗传算法和进化计算为核心内容的学术期刊《EvolutionaryComputation》(进化计算)在MIT创刊; 1994年,在美国奥兰多召开的IEEE WorldCongressonComputationntelligence(IEEE全球计算智能大会)上,进化计算与模糊逻辑、神经网络一起统称为计算智能; 1997年,《IEEE Transac-tionsonEvolutionaryComputation》创刊。
这些刊物及时全面地报道了近年来遗传算法的最新研究成果。
目前,与遗传算法有关的学术会议包括ICGA、PPSN、ICEC、ANN＆GA、EP、FOGA、COGANN、EC、GP、SEAL等。
遗传算法是模拟生物在自然环境中优胜劣汰、适者生存的遗传和进化过程而形成的一种具有自适应能力的、全局性的概率搜索算法。
它是从代表问题可能潜在解集的一个种群开始,首先将表现型映射到基因型即编码,从而将解空间映射到编码空间,每个编码对应问题的一个解,称为染色体或个体。
初始种群产生之后,按照适者生存和优胜劣汰的原理,逐代演化产生出越来越好的近似解。
在每一代,根据问题域中个体的适应度大小选择个体,并借助自然遗传学的遗传算子进行组合交叉和变异,产生出代表新的解集的种群。
这个过程使种群像自然进化一样,后代种群比前代更加适应于环境,末代种群中的最优个体经过解码可以作为问题近似最优解。
利用遗传算法求解问题的流程如下。
a)建立数学模型。
b)编码,即用设计好的算法将表现型映射到个体基因型。
c)解码,遗传算子只对编码后的染色体起作用,由个体表现型计算目标函数值后就可以判断染色体的优劣。
d)确定适应度转换规则,染色体所对应的解空间的值可能相差很大,需要一定的转换使其适合定量评估个体的优劣。
e)设计遗传算子,即设计交叉、变异和选择算子等。
遗传算子与待优化问题、染色体的编码方案有很大的关系。
f)确定运行参数,运行参数包括交叉概率、变异概率和种群数目等。
遗传算法本身的参数还缺乏定量的标准,目前采用的多是经验数值,并且遗传参数的选取与编码和遗传算子的设计有很大关系。
目前在遗传算法的应用中,最突出的问题是局部搜索能力差和容易出现早熟现象。
近年来,众多学者围绕这两个核心问题发表了大量有价值的学术论文,从各方面对遗传算法进行了改进。
在遗传算子方面,Pan等人提出自适应变异算子,使得变异能够根据解的质量自适应地调整搜索区域,较明显地提高了搜索能力。
Louis等人根据个体之间的海明距离进行非均匀的交叉和变异,在保持群体多样性的同时还防止了早熟。
夏虎等人提出了一种考虑环境作用的协同免疫遗传算法,在该算法中,设计了克隆环境演化算子和自适应探索算子,并构造了三个子种群协同进化来发挥克隆环境演化算子的作用,从而提高了算法的全局搜索能力。
蔡良伟等人提出一种改进的交叉操作,根据种群的多样性和个体的相关性选择不同的交叉策略以减少无效的交叉操作,从而提高了交叉操作的效率并改善了算法的收敛性能。
江雷等人提出的基于并行遗传算法求解TSP,对遗传算法的杂交算子进行改进,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。
Whitley等人提出了自适应和有指导的变异,这种方法对改进遗传算法的性能起了一定的作用。
一些学者提出了基于多种群的遗传算法,将一个大的种群分成多个小的种群,每个小种群独立地进行进化,进化一定代数后进行种群间的通信。
由于这种方式可以采用并行计算的模式,取得了较好的效果。
贺新等人介绍了一种基于新的变异算子多种群的新遗传算法,该算法引入一种基于主群、附属子群的结构,可避免传统遗传算法难以克服的早熟收敛问题。
叶在福等人引入多种群,对不同种群赋予不同的控制参数,实现不同的搜索目的,通过移民算子联系各种群,通过人工选择算子保存各种群每个进化代中的最优个体,对遗传算法的早熟现象有了很大的改进。
朱灿等人提出了一种考虑性别特征的遗传算法,该方法模拟生物系统多物种同时进化,指出最优种子的获得不但需要一个好的个体(父体),而且需要一个好的进化方向(母体),通过增加母体的方法加速最优物种的进化,从而提高了算法的效率。
遗传算法的控制参数主要有种群数目Npop、交叉概率Pc和变异概率Pm,不同的参数组合对遗传算法的运行性能影响很大。
DeJong首先系统地研究了不同的参数组合对遗传算法的性能影响,他对五个函数进行测试后,提出了一组参数选择范围:Npop= 50,Pc= 0.6,Pm= 0.001,这一组参数值后来被作为标准参数广泛使用。
丁承明等人提出了利用正交试验法去优化选取控制参数,这种方法利用正交试验的均衡分散性,使得通过较少的试验次数就能搜索大部分参数组合空间,而且还可以确定哪个参数对结果影响最显著,然后有针对性地进行精确的搜索,从而使得参数问题得到圆满解决。
李康顺等人提出的改进遗传算法能够根据个体适应度大小和群体的分散程度自动调整遗传控制参数,从而能够在保持群体多样性的同时加快收敛速度,克服了传统遗传算法的收敛性差、易早熟等问题。
还有许多学者从其他方面对遗传算法进行了改进,如设计交互式遗传算法、引入量子理论等。
这些改进都在某种程度上提高了遗传算法的性能,然而这些改进都具有一定的局限性。
因此,提高遗传算法的收敛速度、克服早熟现象将是一个永恒的目标。
由于遗传算法具有全局并行搜索、简单通用、鲁棒性强等优点,使得遗传算法广泛地应用于各个领域。
在计算机科学与人工智能方面遗传算法在计算机科学与人工智能领域中的应用包括数据库查询优化、数据挖掘与知识获取、人工神经网络结构与参数优化、模式识别、专家系统等。
另外,遗传算法在软件测试用例自动生成方面也作出了很大的贡献。
组合优化(combinatorialoptimization)研究那些含有有限个可行解的、日常生活中大量存在的问题。
这其中一个重要并且普遍的应用领域就是考虑如何有效利用稀缺资源来提高生产力。
GA在组合优化问题中的应用包括路径覆盖、装箱、背包、确定最小生成树、机器调度排序与平衡、车辆路径、网络设计与路径、旅行推销员分配等。
将遗传算法用于知识获取,构成以遗传算法为核心的机器学习系统。
比较经典的是Holland设计的用于序列决策学习的桶链算法(bucketbrigade)反馈机制(该系统被称为分类器系统),以及机器人规则、概念学习、模式识别等。
早期的经济学研究采用遗传算法来求解数学公式,取得了不错的效果,但离机器学习还差得很远。
例如,Lettau在1997年建立的一个简单的主体模型中就使用了这种方法;Bauer对遗传算法在经济与投资中的应用进行了全面分析。
近年来,商业、金融领域已经成为遗传算法应用热点,目前已经有许多基于遗传算法的软件包应用于金融系统和股票投资分析。
遗传算法的研究归纳起来可分为理论与技术研究和应用研究两个方面。
可以说,遗传算法的应用已经渗透到了各个领域。
但目前遗传算法的算法分析和理论分析还没有跟上,还有很多富有挑战性的课题亟待完善与解决,主要有:a)算法规模小。
虽然遗传算法模拟了生物的进化过程,但目前遗传算法的运行规模还远小于生物的进化规模。
随着计算机系统性能的不断提高,人们将有可能实现模拟更接近于自然的进化系统,从而充分利用遗传算法的并行性解决更复杂、更有价值的问题。
b)遗传算法的编码问题。
编码是遗传算法求解问题的前提,最基本的是二进制编码。
其他的编码方法有格雷码、实数编码、符号编码、多参数编码和DNA编码等。
不同的应用应该采用不同的编码方式,因此基于不同的应用,遗传算法的编码还有待改进与完善。
c)遗传算法控制参数的选择问题。
遗传算法中控制参数的不同选取会对遗传算法的性能产生较大的影响,将影响到整个算法的收敛性。
这些参数包括交叉概率(pc)、变异概率(pm)和种群数目(Npop)等。
d)早熟收敛和局部搜索能力差问题。
早熟收敛和局部搜索能力差是遗传算法最突出的两个问题。
有很多学者针对这两个问题发表了大量的学术文章,但从根本上解决这两个问题还有待研究发现。
e)遗传算子的无方向性问题。
基本遗传算子包括选择算子、交叉算子和变异算子。
设计性能优良的遗传算子一直是遗传算法的重要问题,如果能从遗传算子的方向性着手改进遗传算法,有可能会得到意想不到的结果。
对上述问题的深入研究必将大大促进遗传算法理论和应用的发展,遗传算法也必将在智能计算领域中展现出更加光明的前景。