遗传算法的早熟收敛

遗传算法理论及其应用发展

遗传算法理论及其应用发展摘要:首先介绍了遗传算法的基本工作原理和主要特点; 然后讨论了近年来从遗传算子、控制参数等方面对遗传算法的发展,并对遗传算法在国内外的研究进展和新的应用领域进行了讨论; 最后评述了遗传算法未来的研究方向和主要研究内容。

关键词:遗传算法; 遗传算子; 控制参数; 组合优化遗传算法[1] (Genetic Algorithms，简称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5 Evolutionary Com putation6 (进化计算) 在MIT 创刊; 1994年, 在美国奥兰多召开的IEEE World Congress on Computation Intelligence ( 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, 5 IEEE Transaction son Evolutionary Computation6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。

GA 遗传算法简介概述

适应性》中首先提出的，它是一类借鉴生物界自然选择和
自然遗传机制的随机化搜索算法。GA来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。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
种过程搜索全局最优解的算法。
一、遗传算法概述
2、生物进化理论和遗传学基本知识
(1) 达尔文的自然选择说
三、遗传算法的原理
标准遗传算法(Standard genetic algorithm, SGA)
Step1 在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T； Step2 随机产生U中的N个个体s1, s2, …, sN，组成初始种群S={s1, s2, …, sN}，置代数计数器t=1； Step3 计算S中每个个体的适应度f(x)； Step4 若终止条件满足，则取S中适应度最大的个体作为所求结果，算法结束。否则，转Step5；
四、遗传算法的应用
用遗传算法求解：
f ( x) x sin(10 x) 2.0
分析：由于区间长度为3，求解结果精确到6位小数，因此可将自变量
定义区间划分为3×106等份。又因为221 < 3×106 < 222 ，所以本例的二进制编码长度至少需要22位，编码过程实质上是将区间[-1，2]内对应的实数值转化为一个二进制串（b21b20…b0）。

循环交叉（Cycle Crossover）
交叉模拟了生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良品种！
二、遗传算法的基本操作
3 变异(mutation)
变异就是改变染色体某个(些)位上的基因例如，设染色体s=11001101，将其第三位上的0变为1, 即

基于改进自适应遗传算法求解有色金属立体仓库堆垛机路径优化问题

系列优点之外，还弥补了ＡＡＧ的缺陷。为了保证
每一代的优良个体不被破坏，采取了精英保留策
２
２厂
‰Ｅ
略：如果下一代的最佳个体适应度小于当前种群的最佳个体适应度，那么将当前种群的最佳个体或者多个个体直接复制到下一代，从而不会被当代种群的交叉和变异等遗传操作破坏。ＩＧ公式ＡＡ
在ＩＧ算法中，根据公式，个体的交叉概率ＡＡ
．
和变异概率应根据个体的适应度在平均适应度和最大适应度之间进行线性变换。如果种群中存在较大规模的适应度接近平均适应度的个体，它的
交叉概率最大，几乎为和ｐ，若个体适应度接
入局部最优的现象。
√
≥
ｑ ④ ｃ３）
，＜ｑ ’，
：
Ｐ一 — ： √ ｑ（
１，＜，
ｐ：分别为交叉概率的最大值和最
ｆ，二一
二ｒｆ＞
式中，
值。
小值，ｐ．，分别为变异概率的最大值和最小ｐ．
如
一—
，
图２图３两个公式所表示的图像，均为正和为弦式图像，从而保证了交叉概率和变异概率呈一种稳定式变化，而不会出现过度陡峭曲线，因为
一
ｌｓａ１它可以弱化由于适应度接近平均适应＜＜，ｉｎ

基于有性繁殖的遗传算法及其应用

摘要：文提出了一种基于有性繁殖的遗传算法。标准遗传算法（Ｇ）该ＳＡ已经被成功地应用到很多进化优化问题上，但是对
于复杂的多模态函数寻优时，会出现早熟收敛现象。为了解决这个问题，结合自然界最常见的有性繁殖现象，该文赋予了遗传个体年龄和性别特征，出了基于有性繁殖的遗传算法的框架以及实现。通过建立年龄和有性遗传进化算子，提对不同年龄和不同性别的个体赋予不同的进化控制参数，克服了早熟收敛问题且保持了群体的多样性。对运动模糊图像复原的测试，明了该方法的有效性。也证
ｐｅｅｔｄｒｓｎｅ．Ａｇｎｅｕｌｓｒｃｕｅｒｉｅｏｔｅｉｄｖｄａｓｒｆｒｉｇｔｅｓｘａｅｒｄｃｉｎｐｐｌｒｉａｕｅｅａｄｓｘａｔｔｒｓａｅｇｖｎｔｈｎｉｉｕｌｅｅｒｎｈｅｕｌｐｏｕｔｏｕａｎｔｒ．ｕｒｏｎ
ＫＥＹＷＯＲＤＳ：ｎｔｌｏｔｍ；Ｐｅｔｒｏｖｒｅｃ；Ｓｘａｅｒｄｃｉｎ；ＩｇｅｏｅｎＧｅｅｉａｇｒｈｃｉｒｍａｕｅｃｎｅｇｎｅｅｕｌｒｐｏｕｔｏｍａｅｒｃｖｒｇｉ
１引言
遗传算法是模拟生物在自环境中的遗传和进化过程然
ｃｎｅｇｎｅｆｒｃｍｐｅｌ —ｍｏｅｕｃｉｎ．Ｔｏｖｔｈｒｍｅａｄｒａｉａｉｎｏｉｇｎｔｌｏｔｍａｅｏｖｒｅｃｏｌｘｍｕｔｏｉｄｌｆｎｔｓｏｓｌｅｉ，ｔｅｆａｎｅｌｔｆｔｓｅｅｉａｇｒｈｒｏｚｏｈｃｉ

基于最优保存和进化调整遗传算法的光测布站优化

ＥｏｕｉｎＰｏｅｓＡｄｔｇｖｌｔｒｃｓｊｓｉｏｕｎ
ＬＩＨａｙｎＬＩＳｈｎｃｏ一，Ｕｉａ，ｅｇｈａＨＹｕｎｎａ
（．ｐｒｍｅｔｏｏｔｏｇｎｅｉｇ，ｖｌｒｎｕｉｌｎｔｏａｔａｉｅｓｔ，ｎａ１ＤｅａｔｎｆＣｎｒｌＥｎｉｅｒｎＮａａＡｅｏａｔａｄＡｓｒｎｕｉｌｃａｃＵｎｖｒｉＹａｔｉｙ２４０，ｉａ２Ｎｏ９４１ＵｎｔｆＰＨｕｕａ２００，ｉａ６０１Ｃｈｎ；．．２２ｉｏＩＡ，ｌｄｏ１５０Ｃｈｎ）
程调整的方法来抑制局部个体在群体中的扩散。仿真结果表明：该方法明显提高了对被测目标的定位精度和
算法的收敛性。
关键词：交会测量；优化布站；经纬仪；遗传算法
中图分类号：Ｈ４文献标志码：文章编号：０８１９（０００－２— Ｔ７５Ａ１０—１４２１）５０５００５
ＡｂｔａｔＩｒｅｏｓｌｅｔｅｐｏｌｍｓｉｐｌａｉｎｏｏｓｒｃ：ｎｏｄｒｔｏｖｈｒｂｅｎａｐｉｔｆｃｍｍｏｅｅｉａｇｒｔｌｏｏｔｌｓａｉｎｄｓｒｂ — ｃｏｎｇｎｔｌｏｉｍｐｉｔｔｉｔｉｕｃｔｔｍａｏ
ｐｐｒＦｒｔｔｅｐｏｏｖｒｅｃｆｆｎｓｕｃｉｎｗａｏｖｄｂｈｐｉｌｐｅｅｖｔｎｍｅｈｄＢｓｄｏａｅ．ｉｓｌｈｏｒｃｎｅｇｎｅｏｉｅｓｆｎｔｏｓｓｌｅｙｔｅｏｔｙ，ｔｍａｒｓｒａｉｔｏ．ａｅｎｏ

算法的鲁棒性

遗传算法的优缺点遗传算法的优缺点遗传算法属于进化算法( Evolutionary Algorithms) 的一种,它通过模仿自然界的选择与遗传的机理来寻找最优解. 遗传算法有三个基本算子:选择、交叉和变异.。

数值方法求解这一问题的主要手段是迭代运算。

一般的迭代方法容易陷入局部极小的陷阱而出现"死循环"现象，使迭代无法进行。

遗传算法很好地克服了这个缺点，是一种全局优化算法。

生物在漫长的进化过程中，从低等生物一直发展到高等生物，可以说是一个绝妙的优化过程。

这是自然环境选择的结果。

人们研究生物进化现象，总结出进化过程包括复制、杂交、变异、竞争和选择。

一些学者从生物遗传、进化的过程得到启发，提出了遗传算法（GA）。

算法中称遗传的生物体为个体（individual），个体对环境的适应程度用适应值（fitness）表示。

适应值取决于个体的染色体（chromosome），在算法中染色体常用一串数字表示，数字串中的一位对应一个基因（gene）。

一定数量的个体组成一个群体（population）。

对所有个体进行选择、交叉和变异等操作，生成新的群体，称为新一代（newgeneration）。

遗传算法计算程序的流程可以表示如下[3]：第一步准备工作（1）选择合适的编码方案，将变量（特征）转换为染色体（数字串，串长为m）。

通常用二进制编码。

（2）选择合适的参数，包括群体大小（个体数M）、交叉概率PC 和变异概率Pm。

（3）确定适应值函数f（x）。

f（x）应为正值。

第二步形成一个初始群体（含M个个体）。

在边坡滑裂面搜索问题中，取已分析的可能滑裂面组作为初始群体。

第三步对每一染色体（串）计算其适应值fi，同时计算群体的总适应值。

第四步选择计算每一串的选择概率Pi=fi-F及累计概率。

选择一般通过模拟旋转滚花轮（roulette，其上按Pi大小分成大小不等的扇形区）的算法进行。

旋转M次即可选出M个串来。

在计算机上实现的步骤是：产生[0，1]间随机数r，若rq1，则第一串v1入选，否则选v2，使满足qi-1rqi（2≤i≤m）。

3遗传算法(GA, Genetic Algorithm)

• 太多的勘察会导致早熟收敛，太多探索会使搜索变成随机搜索。
• 交叉和变异是GA中的两个重要算子，调整交叉和变异率可维护勘察/探索间的平衡，对搜索的有效性和效率有直接影响。 • 文献中的参数设定方法可分成四类：静态设定、动态确定、自主自适应和动态自适应。
静态设定
• 先通过反复试验找到一个满意的参数组合，然后应用到GA中。文献中有大量确定算子概率的指导规则，如
•
单点交叉
两点交叉
• 常见的交叉算子有：一点、两点、均匀和奇偶交叉。均匀交叉，对染色体中每一位做贝努利试验，确定其是来自父亲还是母亲。偶交叉是基因组的偶数位来自母亲，奇数位来自父亲，奇交叉刚好相反。 • 变异算子是首先对基因组的每一位做贝努利试验，确定是否要进行变异操作；然后对需要变异的位进行变异操作。 • 常见的变异操作有：翻转，针对01编码是0和1间转换；交换，从染色体中随机选择一位与需要变异的位交换基因；高斯变异是针对实数编码的，基于高斯分布从当前值的周围选择一个新值代替旧值。
• 线性定标
f, if f avg f max f ' f avg ( f f min ) /( f max f avg ), if f min (cfavg f max )/(c - 1) f [c( f f ) f f ) /( f f ), if f (cf f )/(c - 1) avg max max avg min avg max avg
incremental genetic algorithm
• 增量GA：每代拥有1-2个孩子的交叠群体 • 每代仅更新1-2个个体。 • 每代仅由1-2个孩子组成。允许定制取代方法，去定义新代应如何被集成进群体。如一个新生成的小孩可以取代他的父亲，取代群体中的随机个体，或取代最受欢迎的个体。 • 使用交叠群体，但交叠非常少，仅有1-2个个体，缺省的取代方案是最坏的。 • 取代方法规定了ga使用哪种形式的取代。取代策略确定了新个体如何插入群体，如父亲策略、随机策略、最坏策略、最好策略、自定义。

畜禽繁殖遗传算法优化与应用考核试卷

畜禽繁殖遗传算法优化与应用考核试卷
考生姓名：__________答题日期：__________得分：__________判卷人：__________
一、单项选择题（本题共20小题，每小题1分，共20分，在每小题给出的四个选项中，只有一项是符合题目要求的）
1.畜禽遗传算法中，以下哪项不属于其主要应用？（）
1.遗传算法的三个基本操作是：选择、______和______。
2.在遗传算法中，种群的大小一般设定为______的整数倍。
3.适应度函数在遗传算法中用于评价个体的______。
4.交叉算子中的单点交叉是指交叉点只有一个，多点交叉则指交叉点有______。
5.畜禽遗传算法中，突变率一般设置在______范围内。
C.提高突变率
D.使用模拟退火技术
5.遗传算法在畜禽繁殖中可以解决以下哪些问题？（）
A.选择最佳配对
B.优化繁殖计划
C.减少遗传疾病
D.提高肉类品质
6.以下哪些是遗传算法与其他优化方法相比的优点？（）
A.不易陷入局部最优
B.需要较少的先验知识
C.可以处理复杂的优化问题
D.计算速度更快
7.在遗传算法中，以下哪些策略可以用来增加种群多样性？（）
2.早熟收敛原因：种群多样性降低，局部最优解主导。解决策略：增加变异概率、适应度共享、动态调整交叉率。
3.适应度函数设计：考虑繁殖效益、生长速度、抗病能力等因素。实例：适应度=（繁殖率×生长速度）/遗传疾病风险。
4.遗传算法优势：全局搜索能力强，适应复杂问题，无需精确模型。局限性：算法性能受参数影响大，计算量较大，可能陷入局部最优。
C.最大化繁殖能力
D.最小化饲料消耗
19.以下哪些因素会影响遗传算法中个体的选择概率？（）