遗传算法
遗传算法遗传算法
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
遗传算法
1.3 遗传算法与传统方法的比较
传统算法 起始于单个点 遗传算法 起始于群体
改善 （问题特有的）
否
改善 （独立于问题的） 否
终止？
终止？ 是 结束
是
结束
1.3.1遗传算法与启发式算法的比较
启发式算法是通过寻求一种能产生可行解的启发式规则，找到问 题的一个最优解或近似最优解。该方法求解问题的效率较高，但是具有 唯一性，不具有通用性，对每个所求问题必须找出其规则。但遗传算法 采用的是不是确定性规则，而是强调利用概率转换规则来引导搜索过程。
1.2 遗传算法的特点
遗传算法是一种借鉴生物界自然选择和自然遗传机制 的随机搜索法。它与传统的算法不同，大多数古典的优化算 法是基于一个单一的度量函数的梯度或较高次统计，以产生 一个确定性的试验解序列；遗传算法不依赖于梯度信息，而 是通过模拟自然进化过程来搜索最优解，它利用某种编码技 术，作用于称为染色体的数字串，模拟由这些串组成的群体 的进化过程。
1.2.2 遗传算法的缺点
（1）编码不规范及编码存在表示的不准确性。 （2）单一的遗传算法编码不能全面地将优化问题的约束表示 出来。考虑约束的一个方法就是对不可行解采用阈值，这样， 计算的时间必然增加。 （3）遗传算法通常的效率比其他传统的优化方法低。 （4）遗传算法容易出现过早收敛。 （5）遗传算法对算法的精度、可信度、计算复杂性等方面， 还没有有效的定量分析方法。
上述遗传算法的计算过程可用下图表示。
遗传算法流程图
目前，遗传算法的终止条件的主要判据有 以下几种：
• 1） 判别遗传算法进化代数是否达到预定的最大代数； • 2） 判别遗传搜索是否已找到某个较优的染色体； • 3） 判别各染色体的适应度函数值是否已趋于稳定、再上升 否等。
遗传算法
1 遗传算法1.1 遗传算法的定义遗传算法(GeneticAlgorithm，GA)是近多年来发展起来的一种全新的全局优化算法，它是基于了生物遗传学的观点，是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
它通过自然选择、遗传、复制、变异等作用机制，实现各个个体的适应性的提高，从而达到全局优化。
遗传算法151解决一个实际问题通常都是从一个种群开始，而这个种群通常都是含有问题的一个集合。
这个种群是由一定数目的个体所构成的，利用生物遗传的知识我们可以知道这些个体正好组成了我们知道的染色体，也就是说染色体是由一个个有特征的个体组成的。
另外我们还知道，遗传算法是由染色体组成，而染色体是由基因组成，可以这么说，基因就决定了个体的特性，所以对于遗传算法的最开始的工作就需要进行编码工作。
然后形成初始的种群，最后进行选择、交叉和变异的操作。
1.2遗传算法的重要应用在现实应用中，遗传算法在很多领域得到很好的应用，特别是在解决多维并且相当困难的优化问题中时表现出了很大的优势。
在遗传算法的优化问题的应用中，其中最为经典的应用就是我们所熟悉的函数优化问题，它也是对遗传算法的性能进行评价的最普遍的一种算法;另外的一个最重要的应用，也就是我们本文所研究的应用—组合优化问题，一般的算法很难解决组合优化问题的搜索空间不断扩大的局面，而组合优化问题正好是解决这种问题的最有效的方法之一，在本文的研究中，比如求解TSP问题、VRP问题等方面都得到了很好的应用;另外遗传算法在航空控制系统中的应用、在图像处理和模式识别的应用、在生产调度方面的应用以及在工人智能、人工生命和机器学习方面都得到了很好的应用。
其实在当今的社会中，有关于优化方面的问题应用于各行各业中，因此有关于优化问题已经变得非常重要，它对于整个社会的发展来说都是一个不可改变的发展方向，也是社会发展的一个非常重要的需要。
1.3 遗传算法的特点遗传算法不同于传统的搜索与优化方法，它是随着问题种类的不同以及问题规模的扩大，能以有限的代价来很好的解决搜索和优化的方法。
遗传算法的概念
遗传算法的概念
遗传算法（Genetic Algorithm）是基于生物学进化理论的一种优化算法。
它是模拟自然界的进化过程，通过筛选、交叉、变异等元素不断筛选出能够适应环境的个体，最终得到最优解或次优解的一种算法。
遗传算法的基本思想是将问题看作一个个体，使用种群的方式不断迭代，将群体中优劣个体进行适应度评估并进行优胜劣汰，简单来说就是不断筛选出最优的解决方案来。
遗传算法被广泛应用于各类优化问题，例如旅行商问题、机器学习和函数优化等。
什么是遗传算法
什么是遗传算法遗传算法的基本意思就是说象人的遗传一样，有一批种子程序，它们通过运算得到一些结果，有好有坏，把好的一批取出来，做为下一轮计算的初值进行运算，反复如此，最终得到满意的结果。
举个例子，假如有一个动物群体，如果你能让他们当中越强壮的越能优先交配和产籽，那么千万年后，这个动物群体肯定会变得更加强壮，这是很容易理解的。
同样，对于许多算法问题，特别是NP问题，比如说最短路径，如果有400个城市，让你找出最短的旅游路线，采用穷举比较，复杂度为O（n！），这时，你可以先随机产生100种路径，然后让他们之中路程越短的那些越能优先互相交换信息(比如每条里面随机取出10个位置互相交换一下),那么循环几千次后，算出来的路径就跟最短路径非常接近了（即求出一个近似最优解）。
遗传算法的应用还有很多，基本思想都一样，但实现上可能差别非常大。
现在有许多搞算法的人不喜欢遗传算法，因为，它只给出了一种“有用”的方法，却不能保证有用的程度，与此相反，能保证接近最优程度的概率算法更受青睐。
遗传算法（Genetic Algorithm）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等领域。
它是现代有关智能计算中的关键技术之一。
1.遗传算法与自然选择 达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。
这种学说认为，生物要生存下去，就必须进行生存斗争。
生存斗争包括种内斗争、种间斗争以及生物跟无机环境之间的斗争三个方面。
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的多。
遗传算法
j=0 选择两个交叉个体 执行交叉 将交叉后的两个新个体 添入新群体中 j = j+2
将复制的个体添入 新群体中
j = j+1
N
j = M? Y
N
j = pc· M? Y
Gen=Gen+1
N
j = pm· M? L· Y
遗传算法应用举例 ——在函数优化中的应用
[例] Rosenbrock函数的全局最大值计算。
bi 2i1 )
i 1
U max U min 2 1
0.3 70352 (12.1 3) /(218 1) 1.052426
二）个体适应度评价
如前所述，要求所有个体的适应度必须为正数或零，不能是负数。
(1) 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定
max s.t. 如图所示： 该函数有两个局部极大点， 分别是: f(2.048, -2048) =3897.7342 f(-2.048,-2.0048) =3905.9262 其中后者为全局最大点。 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
变异操作示例
变异字符的位置是随机确定的，如下表所示。某群体有3个个体，每个体含4 个基因。针对每个个体的每个基因产生一个[0, 1] 区间具有3位有效数字的值产生变异。表 中3号个体的第4位的随机数为0.001，小于0.01，该基因产生变异，使3号个体由
下面介绍求解该问题的遗传算法的构造过程：
第一步：确定决策变量及其约束条件。 s.t. 第二步：建立优化模型。 max 第三步：确定编码方法。 用长度为l0位的二进制编码串来分别表示二个决策变量x1,x2。 lO位二进制编码串可以表示从0到1023之间的1024个不同的数，故将x1,x2的 定义域离散化为1023个均等的区域，包括两个端点在内共有1024个不同的离散点。 从离散点-2.048到离散点2.048，依次让它们分别对应于从0000000000(0)到 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
遗传算法
5.3.3 多交配位法
单交配位方法只能交换一个片段的基 因序列，但多交配位方法能够交换多 个片段的基因序列 1101001 1100010 1100000 1101011
交配前
交配后
5.3.4 双亲单子法
两个染色体交配后，只产生一个子染 色体。通常是从一般的交配法得到的 两个子染色体中随机地选择一个，或 者选择适应值较大的那一个子染色体
6.1.4 基于共享函数的小生境实现方 法
6.1.1 小生境遗传算法的生物 学背景
•小生境是特定环境下的生存环境
•相同的物种生活在一起，共同繁 衍后代 •在某一特定的地理区域内，但也 能进化出优秀的个体 •能够帮助寻找全部全局最优解和 局部最优解（峰顶）
6.1.2 基于选择的小生境实现 方法
•只有当新产生的子代适应度超过 其父代个体的适应度时，才进行 替换，否则父代保存在群体中 •这种选择方式有利于保持群体的 多样性 •这种方法有利于使得某些个体成 为它所在区域中的最优个体
5.1.3 实数编码的实现方法(续)
•适合于精度要求较高的问题 •便于较大空间的遗传搜索 •改善了遗传算法的计算复杂性， 提高了效率 •便于遗传算法与经典优化算法混 合使用 •便于设计针对问题的专门知识型 算子 •便于处理复杂的决策约束条件
5.2 选择算子
5.2.1 概率选择算子
5.2.2 适应值变换选择算子
•pm: 变异概率，一般取0.0001—0.1
4.1 问题描述 4.2 问题转换和参数设定 4.3 第0代情况 4.4 第0代交配情况 4.5 第1代情况 4.6 第1代交配情况 4.7 第1代变异情况 4.8 第2代情况 4.9 第2代交配情况
4. 基本遗传算法举例
4.1 问题描述
遗传算法
2. 遗传算法在电磁优化中的应用
在电磁场工程中，许多电磁优化问题的目标 函数往往是高度非线性的、多极值的、不可 微分的和多参数的。同时，这些目标函数的 计算成本往往很高。在这些复杂电磁问题的 优化设计中，高效的优化算法对于实现高性 价比的设计具有举足轻重的作用。
例 用GPS/铱星系统的圆极化弯钩天线。 全球定位系统（GPS）的工作频率有两个，一个是 1575.4MHz,另一个是1227.6MHz，信号采用圆极化 方式传输。铱星系统也采用圆极化方式传输，其工 作频带1225~1630MHz。 为了使天线同时接收GPS/铱星两个系统的信号，天 线的工作频带应该为1225~1630MHz，采用圆极化 工作方式，在相对于水平面大于5°的准半球空间 具有均匀的辐射方向图。下图为一个弯钩天线，它 有7段直导线串联而成，整个天线被限定在边长为 0.5λmax 的立方体空间内。通过遗传算法，调节7个 连接点的坐标，可以得到满足设计要求的最佳弯钩 天线结构。在优化过程中，价值函数取为
2 杂交策略 在自然界生物进化过程中，起核心作用的是生物遗传基因的 重组（加上变异）。 同样，遗传算法中起核心作用的是遗传操作的杂交算子。对于 占主流地位的二值编码而言，各种杂交算子都包括两个基本 内容：①从由选择操作形成的配对库中，对个体两两配对， 按预先设定的杂交概率来决定每对是否需要进行杂交操作； ②设定配对个体的杂交点，并对这些点前后的配对个体的部 分结构进行相互交换。 就配对的方式来看，可分为随机配对和确定式配对。 3 变异策略 变异算子的基本内容是对群体中个体串的某些基因座上的基 因值作变动。就二值码串而言，变异操作就是把某些基因座 上的基因值取反，即1→0或0→1.
5.杂交操作：遗传算子（有性重组）可以产 生新的个体，从而检测搜索空间的新点。简 单的杂交可分2步进行：随机配对，交换杂交 点后的基因信息。
- 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)。
遗传算法发展前景概况
（华北电力大学电气与电子工程学院，北京102206）
摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。
关键词：遗传算法; 遗传算子；进化计算；编码
GENERAL GENETIC ALGORITHM DEVELOPMENT PROSPECT
(North China Electric Power University Electrical And Electronic Engineering Institute,Beijing102206) ABSTRACT: Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own.
KEY WORD: Genetic algorithm; Genetic operator; Evolutionary computation; coding
1.引言
现在，遗传算法正在迅速发展，遗传算法与其很强的解决问题能力和适合于复杂系统的自适应优化技术渗透到研究和工业工程领域，在电力系统，系统辨识,最优控制，模式识别等领域有了很广泛的应用，取得了很好的效果。
2.遗传算法基本思想
遗传算法是建立在自然选择和群体遗传学基础上的随机，迭代和进化，具有广泛适用性的搜索方法，所有的自然种类都是适应环境而生存，这一自然适用性是遗传算法的主要思想。
遗传算法是从代表问题可能潜在解集的一个种群开始的，而一个种群则经过基因编码的一定数目的个体组成。
每个个体实际上是染色体带有特征的实体。
染色体作为遗传物质的主要载体，其内部基因决定了个体的外部表现。
因此，在一开始就要实现外部表现到内部基因的映射，即编码工作，通常采用二进制码。
初始种群产生之后，按照适者生存和优胜劣汰的原则，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和种群，这种过程将导致种群像自然进化那样产生比前代更适应于环境的后代种群，末代种群中的最有个体经过解码，可以作为问题近似最优解。
遗传算法采纳了自然进化模型，如选择，交叉，变异等，计算开始时，种群随机初始化产生一定数目的N个个体，并计算每个个体的适应度函数，如果不满足优化准则，就开始新一代的计算。
为了产生下一代，按照适应度选择个体父代进行基因重组二产生子代。
所有的子代按一定的概率进行变异，子代取代父代构成新一代，然后重新计算子代的适应度。
这一过程循环执行，直到满足优化准则为止。
3.遗传算法基本操作
（1）编码。
由于遗传算法不能直接处理解空间的解数据，因此在搜索之前必须先通过编码把解空间变量表示成遗传空间的位串结构数据，即染色体。
（2）生成初始化种群。
生成初始群体遗传算法是群体型操作算法，在对解空间变量进行编码后，紧接着就随机产生N个染色体，构成遗传算法的初始种群，然后以这个初始种群为起始点开始迭代搜索。
（3）评价个体适应度。
遗传算法在搜索进化过程中一般不需要外部信息，仅用适应度函数值来评价个体或解的优劣，并作为以后遗传操作的依据。
适应度函数表明个体对环境适应度的强弱，不同的问题，适应度函数的定义方式也不同，对函数优化问题，一般取目标函数作为适应度函数。
（4）选择。
选择的目的是为了从当前群体中选出生命力强的染色体，使它有机会保留以繁殖后代。
判断染色体优良与否的准则就是各自的适应度值，个体适应度值越大，其被选择机会就越多。
选择操作体现了生物进化的思想。
选择的方法根据不同的问题，采用不同的选择算法。
（5）交叉。
交叉是把两个父代个体的部分结构加以替换重组而生成新个体的操作，也称基因重组。
交叉的目的是为了能在下一代中产生新个体，通过交叉操作，遗传算法的搜索能力得到飞跃的提高。
交叉是遗传算法得到新优良个体的最重要的手段。
交叉的方法有很多。
如单点交叉，多点交叉，均匀交叉。
（6）变异。
即交叉之后子代的变异。
变异操作时模拟自然界生物进化中染色体上基因发生突变的现象，从而改变染色体的结构和物理性状。
在遗传算法中，变异算子通过按变异概率P随机反转某位等位基因的二进制字符值来实现。
选择和交叉基本上完成了遗传算法的大部分搜索功能，二变异则增加了遗传算法找到接近最优解的能力。
变异首先在群体中随机的选择一个个体，以一定的概率随机的改变基因串中某个字符的值，变异操作是按位进行的，变异发生的概率极低，它本身是一种随机搜索，但与选择，交叉算子结合在一起，就能避免由复制和交叉算子引起某些信息丢失，从而保证的遗传算法的有效性。
4.遗传算法的研究发展进展和应用
遗传算法研究兴起是在20世纪80年代末和90年代初期，但它的历史起源可追溯至20世纪60年代初期。
早期的研究大多以对自然系统的计算机模拟为主。
如Fraser的模拟研究，他提出了和现在遗传算法十分相似的概念和思想。
Holland和DeJong的创造性研究成果改变了早期遗传算法研究无目的性和理论指导的缺乏。
进入20世纪80年代，遗传算法迎来了兴盛发展时期，无论是理论研究和应用研究都成了很热门的课题。
尤其是遗传算法的应用领域不断扩大。
自从遗传算法出现以来为提高遗传算法解决问题的能力的改进研究一直在进行，包括改善基本操作方法，改善编码方法，改善种群的多样性等三大类。
5.个人对遗传算法发展趋势的几点看法
从自然现象来看，生物演化的目的并非取得某一限制条件下的某些参数优化，而是适应环境。
从这一点来看，虽然目前工程实践上遗传算法的主要应用是用于优化，但真正的结果并非如此。
借鉴遗传算法和生物演化现象的紧密关系，人工生命和复杂性科学的研究与遗传算法有极其密却的联系。
从长远来看。
遗传算法还有以下发展空间：
（1）协同进化。
进化的目标不是形成一个超级物种，一个生态环境进化的结果是物种与环境的相互适应的复杂系统。
因此，应该研究多个物种早共同的生态环境中的协同进化。
对应到遗传算法，可以用于多目标的优化。
（2）学习与进化的相互作用。
可以将学习分为以下几种，（1）宗亲学习：通过血亲遗传祖先的特征遗传给后代。
（2）社团学习：经验和知识在群体中共享。
（3）个体学习：个体生存过程中的学习。
个体学习获得某种所需特性的机会。
但是除了生物界的有性生殖，突变，染色体互换和倒置等等基于生理结构的进化机制外，人类社会还存在基于社会文化的进化机制，个体在社会学
习中得到特有的更高级的进化。
6.结束语
随着计算机技术的高速发展，遗传算法将会更加广泛地应用于国民经济的各个领域，如故障诊断，工业控制，电力系统，系统辨识，神经网络，路径规划，网络通信，社会科学等。
随着遗传算法的深入研究以及与其他学科的互相融合，必将在智能领域占有越来越重要的地位。
随着理论研究的不断深入和应用领域的不断扩展，遗传算法将得到长足的发展。
参考文献
[1]吴启迪，康琦，汪镭，陆金山.自然计算导论[M].上海：上海科学技术出版社，2011
[2]张文修，梁怡.遗传算法的数学基础[M].西安：西安交通大学出版社，2000
[3]李敏强，寇纪淞，林丹，李书全.遗传算法的基本理论与应用[M].北京：科学出版社，2002
[4]巩敦卫，郝国生，周勇，郭一楠.交互式遗传算法原理及其应用[M].北京：国防工业出版社，2007
[5]赵宜鹏，孟磊，彭承靖.遗传算法原理与发展方向综述[J].昆明：云南民族大学学报，2004。