浅谈遗传算法的研究与改进

《浅谈遗传算法的研究与改进》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、浅谈遗传算法的研究与改进【摘要】遗传算法是模拟自然界生物进化机制的概率性搜索算法，可以处理传统搜索方法难以解决的非线性问题。但是经典遗传算法存在局部收敛、收敛速度慢等缺点，这使得经典遗传算法有时很难找到全局最优解。本文针对经典遗传算法中所存在的缺点，采用阶段式的适应度函数、基于竞争机制的交叉方式和仿粒子群变异操作，使遗传算法的收敛速率、全局收敛概率都得到了较大的提高。　　【关键词】遗传算法适应度交叉操作仿粒子群变异　　【】TP18【】A【】1674－4810（2011）11－0012－04　　　　

2、一遗传算法　　遗传算法（GeicAlgorithm，简称GA）是Holland在研究自然遗传现象与人工系统的自适应行为时，模拟生物进化现象，并采用自然进化机制来表现复杂现象的一种全局群体搜索算法。遗传算法的基本思想起源于Dar）利用某种编码技术作用在称为染色体的二进制串上，模拟由这些串组成的个体的进化过程。通过有组织的、随机的信息交换来重新结合那些适应性好的串，在每一代中，利用上一代串结构中适应性好的位和段来形成一个新的串的群体，同时在串结构中尝试用新的位和段来代替原来的部分以形成新的个体，以增加

3、种群的多样性。遗传算法的最大优点是能够通过群体间的相互作用，保存已经搜索到的信息，这是基于单次搜索过程的优化方法所无法比拟的。但是，遗传算法也存在着计算速度较慢，并且容易陷入局部最优解的问题中。　　遗传算法的优越性归功于它与传统搜索方法不同的特定结构。　　第一，遗传算法的操作对象是编码，对问题的限制极少，对函数的一些约束条件如连续性、可导性等不做要求，减少了要解决问题的复杂性。　　第二，遗传算法同时搜索解空间内的许多点，因而可以有效地防止搜索过程中收敛到局部最优解，并获得全局最优解，与其他单点搜索

4、的方法相比，在计算时间上也有较大的优势。　　第三，遗传算法使用遗传操作时是按概率在解空间进行搜索，因而既不同于随机搜索，也不同于枚举法那样盲目地举例，而是一种有目标、有方向的启发式搜索。　　2．遗传算法的基本步骤　　遗传算法的实现中包括复制、交叉、变异三个算子，需要确定关键的几个参数与标准包括：种群规模、基因编码、适值函数、选择概率、遗传算子以及停机准则。下面分别对其进行说明：　　第一，表示法与适应度计算。标准遗传算法（二进制编码）作用于确定长度的二进制位串上，即I＝{0，1}l。假设需要　　解决

5、如下函数优化问题，一般　　是将位串分为n段，每段长度为lx，即l＝n