资源描述：
《标准遗传算法的原理及算例.pdf》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。
1、标准遗传算法的原理及算例唐穗欣武汉科技大学中南分校现代教育技术学院,湖北武汉!∀∀#,摘要∃由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领城的成功应用这种算法受到广泛关。,、,注叙述了遗传算法的原理并以实例介绍了遗传算法的具体用法步珠对那些数学方法难以奏效的问题提出。了一种新的处理方法∃%%交叉%变异%关健词遗传算法再生算例中圈分类号月&弓!∋()文献标识码∃∗文章编号∃∋)+∀一+,!!∀!!+#!∋一!∋!!一!∀与传统搜索算法不同,遗传算法从一!前言编码、生成初始种群组随机产生的初始解称为群体#开始搜索,
2、遗传算法/.012∗345610789简称−∗#过程群体中的每个个体是问题的一个解−./,是由美国:12714;/大学的<57=533;/>称为染色体#这些染色体在后续迭代中。∋。计算与评价种群中个体适应度教授于∋?+≅年创建的它来源于达尔文不断进化称为遗传#的进化论、孟德尔的群体遗传学说和魏茨遗传算法主要通过交叉、变异、选择曼。运算实现。的物种选择学说其基本思想是模拟自交叉或变异运算生成下一代染物种选择,然界遗传机制和生物进化论而形成的一色体称为后代#染色体的好坏用适应度种过程搜索最优解的算法。来衡量,根据适应度的
3、大小从上一代和后交叉作,,为一种新的优化算法遗传算法的代中选择一定数量的个体作为下一代群,,再继续进化,这样经过若干代之后,特点是几乎不需要所求问题的任何信息体算仅需要目标函数的信息,不受搜索空间是法收敛于最好的染色体,它很可能就是问变异。。否连续或可微的限制就可找到最优解依题的最优解或次优解遗传算法中使用适据它的并行性,非常应度这个概念来度量群体中的各个个体。适用于大规模并行计图∋遗传算法结构圈。,算机因此遗传算法广泛地应用于自动表一个个体,表示优化问题的一个解。、、、、∀标准算法的基本步骤控制计算科学模式识别工程设计智∀
4、#初始化。随机产生一个规模为Γ的能故障诊断、管理科学和社会科学领域,Β∗的基本思想是把待优化问题的参初始种群,其中每个个体为一定长度的码适用于解决复杂的非线性和多维空间寻数编码成二进制位串的形式,然后由若干链,该群体代表优化问题的一些可能解的Α,3。个位串形成优问题一个初始种群作为待求间题集合。,Χ.6Ε.015/、的候选解使用再生Δ.>#交叉。∋遗传算法的墓本原理Ε#估计适应度计算种群中每个个Β65995Φ.6#和变异:0;015/#种算子进行,适应度为群体进化时的选择遗传算法−∗#是建立在自然选择和操作,不断迭代
5、优化,直到找到最优解。体的适应度。,、迭代、进经典遗传算法的计算流程如图提供了依据一般来说适应度越高解的群体遗传学机理基础上的随机∋所。、。−。,素质越好适应度函数可以根据目标函数化具有广泛适应性的搜索方法∗搜索示从图中可以看出遗传算法是一种种。群,而定结合了达尔文适者生存和随机信息交换型操作该操作以种群中的所有个体为。,,后。∃#再生选择#根据每个个体的相对的思想前者消除了解中不适应因素对象具体求解步骤如下。,,,者利用了原有解中已知的知识,从而有力3#编码确定用何种码制然后将问适应度计算每个个体的再生次数并进地加快
6、了搜索过程。题参数编码形成基(,产生新的个体加人下一代群因码链每一个码链代行再生操作,,,,。作者简介∃磨穗欣∋?+一#男广东汕尾人武汉理工大学自动化学院硕士研究生研究方向为智能控制,5·∀+·∋月号软件导刊!,,体中一般再生的概率与其适应度成正裹∋终结而以计算过程达到的最大函数值的。,比扩作为所要的解遗传算法实际上是一种序号初始Λ值适应度人选种期望复实际复。,≅#交叉从种群中随机选择两个染搜索方式对那些标准数学方法难以奏效种群群概率制数制数,(阎。色体按一定的概率进行基因交换交换∋!∋∋Λ#∋∀∋∋∀Θ!(,∋的问
7、题给出了一种处理办法位置的选取是随机的。∀∋∋Λ#∋∀≅)∀≅≅∋Θ∀(!∀(结束语)#变异。从种群中随机!∋《洲Λ#,)≅Θ!∀!地选择一个(,∋Λ#∋!∀!加∀Θ∋∀,∋染色体按一定的变异概率Γ进行基因变遗传算法具有计算简单及功能强的合计∋∀∋Λ#Θ%−∗的搜索能力主要是由选择与交叉,异平均!,(∀≅Θ∋∋特点它对于搜索空间基本上不需要什么,,赋于的,变异算子则保证了算法能搜索到限制性假设和传统的优化算法相比有∋,/二,,!∋分为一组随机抽取那么将由∃问题空间的每一点从而使算法具有全局、,以下优点,。
8、二进制表示的Ι3’杯从后三位开始互换,最优性它进一步增强了−∗的能力,、。3#遗传算法的处理对象不是参数本身得到两个新的二进制整数记为Ι3,Ι∀”,+#若发现最优解,,而是对参数集进行了编码的个体这种操则算法停止否则,,、同样对另外一组数作类似处理假设另一转对产生的新一代
