遗传算法应用的分析与研究

函数 ） 。
（ ）遗传 算子 。遗传 算子 作 为遗传 算法 的核心 部分 ，其直 五 接作 用于 现有 的一代 群体 ， 以生成下 一代群 体 ，因此遗 传算 子的 选择 搭配 ，各个 算 子所 占的 比例 直接 影响遗 传算 法的 效率 。一个 遗传 算法 中一 般包括 多种 遗传算 子 ，每种算 子都 是独 立运行 ，遗 传算 法本 身只指 定每 种算 子在生 成下 一代过 程 中作＿ 的比例 。算 【 ｆ ｊ 子运 行时 从当 前这代 群体 中抽取 相应 数量 的染色 体，经 过加 工， 得到一 个新 的染色 体进 入下 一代群 体 。 （ ）抽 取。抽 取操 作是遗 传算 法 中一个重 要基本 操作 ，作 六 用 是按照 “ 优胜 劣汰 ” 的原则根 据各 个染色 体 的适应度 从 当前这
Ａｎａｙ ｉ＆ Ｒｅ ｅ ｒ ｈ ｆＧ ｅ ｔｃＡｌ ｏ ｉｈｍ ｌｓｓ ｓ ａ ｃ ｏ ｎｅｉ ｇ ｒｔ
Ｙａ ｇ Ｈｕ ｎ ｉ
（ ｇ ｉ ｌ ｒ ｌ ａ ｋ ｆ ｉａＨ ｎ ｎＢ ａ ｃ ， ｈ ｎ ｓ ａ ４ ０ ０ ， ｉａ Ａ ｒ ｕ ｕａ Ｂ ｎ ｎ ， ｕ ａ ｒｎ ｈＣ ａ ｇ ｈ １ ０ ５Ｃｈ ） ｃｔ ｏ Ｃｈ ｎ
计算 机光盘 软件 与应用
软 件设 计 开 发 Ｃｍ ｕ ｅ Ｄ Ｓ ｆ ｗｒ ｎ ｐ ｌｃ ｔ ｏ ｓ ｏ ｐ ｔ ｒＣ ｏ ｔａ ｅ ａ ｄ Ａ ｐ ａ ｎ ｉ ｉ ２１ 第 １ ０ ０年 ３期
遗传算法应用的分析与研究
杨 慧 （中国农业银行股份 有限公 司湖 南省分行 ，长沙
四 、结束语
遗传 算法 的原理 是简 甲的 ，但是 如何 熟练运 用遗传 算法 却并 不是 一个 简单 的问题 ，理 论要 结合实 际 ，对于不 同 问题，遗 传算
法要 稍加 变化 ，就 如同 画龙点睛 一般 ，切 忌不 可生搬 硬套 。笔者 认 为遗传 算法 应 当与现有 优化 算法结 合 ， 可产 生 比单 独使用 遗传 算法 或现 有优 化算法 更好 ，更 实用的算 法 。 参考 文献 ：
代群 体 中挑选用 于遗 传算 子的染 色体 。通 常采用 的手 段是偏置 转 盘： 设算法 中群 体数量 为 ｐ ｐ ｌ ｒ ｏ ，首先计算 当代群 体的各 染 ｏｕ ａｉｎ
ｐ ｐ ｌ ｉｎ ｏ ｕａｔ ｏ
色 体适 应度 之 和 。。将 １ ｕＳ （ ） 内的整 数划 分 成 ｔ ｐ ｐ ｌｔ ｏ ｏ ｕ ａ ｉ ｎ个 区 间段 ，每个染 色体 所 占的区间段 的长度 既是 它的 适应度 。这样 ，随机 产生 一个 １ ～ｓ（ ）的整数 ，抽取 该点所 属 ｔ 区 间段 相对 应 的染色体 ，就可 以保旺 任意 一个染 色体 ｘ 在抽取 操 。 Ｆ（ ｘ）
ｉｌ 晓 晖 ， 敏 强 ， 纪 淞 ． 传 算 法 的 性 能 分 析研 究 Ｕ． 件 学 １戴 李 寇 遗 】 软
报 ， ０ ２ １ ０
『１ ２周明．Ｊ 栋． 予树 、 遗传 算法原理 及应 用Ｉ １ Ｍ ． 工业 出版社， ０ 国防 ２ １ ０
（） ｆ＝
Ｆ（ ） ｘ
作 中被抽取 到 的概率 为
。
（ ）终止 条件 。遗传 算法 的终 止条件 用于 防止遗 传算法 无 七
止境 的迭 代 下去，一 般 限制 条件 可 以设为达 到指 定的迭 代次数 后 终止 ，或 当解 的收敛 速度低 于一 定值 时 自动 终止 。 当遗 传算法 达 到终 止条 件时个 染色体 （ 或所有 满足 条件 的非劣 最优解 ）
Ｋｅ ｗ ｒ ： ｒｉ ｃａ ｉｔｌ ｇ ｎ ｅＥｖ ｌｔ ｎ ｒ ｌｏ ｉ ｍ； ｎ ｔ ｌ ｏ ｉ ｍ（ ｙ ｏ ｄ Ａ ｔ ｉｌ ｅ ｌ ｅ ｃ ； ｏ ｕ ｉ ａ ｙａｇ ｒｔ Ｇｅ ｅ ｉ ａｇ ｒ ｈ ＧＡ） ｉ ｆ ｎ ｉ ｏ ｈ ｃ ｔ
一
、
遗 传算法 及其 优越性
遗 传算 法 （ ｅ ｅ ｉ ｌ ｏ ｉ ｈ ） 进化算 法 的一个重 要分 支 。 Ｇ ｎｔ ｅ ｇ ｒｔｍ 是 Ａ 遗传 算法 的主要特 点是 群体搜 索策 略和群 体 中个体 之 间的信 息互 换 ，它实 际上是模 拟 由个体组 成 的群体 的整体 学 习过程 ，其 中每 个个 体表示 问题搜 索空 间 中的一个 解 点。遗传 算法 从任 一初始 的 群体 出发 ，通过 随机选 择 ，交叉和 变异 等遗传 操作 ，使群 体 一代 代地进 化到搜 索空 间中越 来越好 的 区域，直 至抵达 最优 解点 。 遗 传算法 和其 它的搜 索方 法相 比 ，其优越 性主 要表现 在 以 下 几个 方面 ：首先 ，遗传 算法在 搜索 过程 中不 易陷入 局部最 优 ，即 使在所 定义 的适应 度 函数非连 续 。不规则 也 能 以极 大 的概 率 找到 全局 最优解 ，其 次 ，由于遗传 算法 固有 的并行 性 ，使得它 非 常适 合 于大 规模 并行 分布处理 ，此 外 ，遗 传算 法易 于和 别的技 术相 结 合 ，形 成性能 更优 的问题 求解方 法 。 二 、遗传 算法 的基本 流程 个 串行 运算 的遗传 算法通 常按 如 下过 程进 行 ： （ ）对 待解 决问题进 行编 码 ：ｔ Ｏ １ ：＝ （ ）随机 初始 化群体 ｘ （ ） ２ ０ ：＝ （ ２ Ａ，Ｘ ） Ｘ，ｘ ， ； （ ） 当前群 体 ｘ ｔ 中每 个染色 体 Ｘ 计算 其适 应度 Ｆ Ｘ ） ３对 （） （ ， 适应度 表示 了该个 体对环 境 的适应 能力 ，并决 定他们 在遗 传操 作 中被抽 取到 的概率 ； （ ）对 Ｘ（ ）根据 预 定概率 应用各 种遗 传算 子 ，产 生新 一 ４ ｔ 代群体 Ｘ （ ＋ ） ｔ １ ，这些 算予 的 目的在于扩 展有 限个 体 的覆 盖 面 ， 体现全 局搜索 的思 想： （ ） ：＝ ＋ 新 生成 的一代 群体 替换 ｌ ５ ｔ ｔ １（ 二 一代群 体 ） ；如 果没 有达到 预定终 止条件 则继 续 （ ） ３。 三、遗传 算法 中各重 要 因素 分析 （ ）编 码理 论 。遗 传算 法需 要采用 某种 编码 方式将 解 空间 一 映射到 编码空 间 。类似于 生物 染色体 结构 ，这样 容 易用生 物遗 传 理论解 释 ，各 种遗 传操作 也易 于实现 编 码理 论是遗 传算 法效 率 的重要 决定 因素之 一。 二进制 编码是 最常 用 的编码 方式 ，算子 处 理的模 式较 多也较 易于 实现 但是 ，在具 体 问题 中，根据 问题 的 不 同，采用适 合解 空间 的形式 的方式 进行 编码 ，可 以有效 地直 接 在解的 表现型 上进行 遗传操 作 ， 而更 易于 引入相 关启发 式信 息 ， 从 往往 可 以取得 比二进 制编 码更 高的效 率。 （ ）染色体 。每 个编码 串对 应 问题 的一 个 具体 的解 ，称 为 二 染色 体或个 体 。一 个染 色体可 以通 过选用 的编 码理 论 与问题 的一 个具 体的解 相对应 ，一 组 固定数量 的染色 体 则构成 一代群 体 。群 体 中染 色体 可重复 。 （ ）随机初 始化 。随机 或者 有规 律 （ 从一个 已知 离解 较 三 如 近 的单点 ，或者等 间隔 分布地 生成 可行解 ）生 成 第一代群 体 。一 次遗传 算法 中有 目的采 用 多次初始 化群体 会使 算法拥 有 更强 的搜 索全局 最有解 的能 力 。 （ ）适 应度 。一 个染色 体的适 应度 是对 一个染 色 体生存 能 四
一
力 的评价 ，它 决定 了该染 色体 在抽取 操作 中被抽 取到 的概率 。估 价 函数是 评价 染色体 适应度 的标 准 ，常见 的估价 函数有 ：直接 以 解 的权 值 （ Ｏ 背 包 问题 以该方案 装进背 包物 品的价值 作为 其适 如 １ 应度 ） ，累计二进 制 串中 １ ０的个 数 （ ／ 针对 以二进 制 串为编码 理论 的遗传 算法 ） 累加 该染色 体在 各个 目 Ｅ ， 标 的得分 （ 对多 目标最 针 优化 问题 ， 另外 ，对于此 类 问题 ，本 文提 出 了一 种更 有效 的估价
Ａｂｓｒ ｃ ： ｓｐａ ｒｉ ｒ ｄ ｅ ｈ ｉ ｃｐ ｅａ ｓｏ ｉａ ｆｅ ｏｕｔｏ ａ ｙａｇ ｒｔｍ ｎ ｅ ｔｃａｇｏ ｉ ｍ ｆａ ｐｌ ａｉｎ，ｎ ｔ ａ ｔＴｈｉ ｐｅ ｏ ｕｃ ｓｔｅｐｒｎ ｉｌ ｎｄｈｉｔｒｃ ｌｏ ｖ ｌ ｉ ｎ ｒ ｌｏ ｉ ｎｔ ｈ ａ ｄ ｇ ｎｅｉ ｌ ｒｔ ｈ ｏ ｐ ｉ ｔ ｃ ｏ ａｄ ａ ａｙｚｄ ｔ ａ ｕｓｉ ｎ ｌ ｅ ｉｓｖ ￣ｏ ｍｐｏ ｔｎ ａ ｔｒ ． ｒａ ｔｆｃｏ ｓ
４ ００ ） １０ ５
摘 要 ：介绍 了进 化算 法的 原理 以及历 史 ，以及应 用遗传 算法 解题的 步骤 ，最后 对其各 重要 因素进 行分析 关链 词 ：人 工智 能 ；进 化算 法 ；遗 传算 法 （ Ａ） Ｇ
中图分类 号 ：Ｔ １ Ｐ８
文献 标识码 ：Ａ
文章 编号 ：１０— ５９（ ００） ３ ０ ３— １ ０７ ９９ ２ １ １ １８ ０