遗传算法及其应用实例

第1页共20页

遗传算法及其应用示例

遗传算法是美国密歇根大学荷兰的一种遗传算法

教授（1969）提出了它，后来又通过了De Jong（1975），Goldberg（1989）等。

NASUS摘要形成的一种模拟演化算法。

通过遗传算法搜索最佳溶液的方法是模仿生物的进化过程，也就是说

与染色体交叉和突变已完成。遗传算法主要使用选择算子，

跨操作员和突变操作员模拟生物学进化，从而产生几代人群

（）x t。

（1）选择操作员：这是一个模拟自然选择的操作，反映了原始的“优胜品生存”

原因。它基于每个人的适应性，根据某些规则或方法，来自T生成人群

（）x t选择一些优秀的个人（或作为父母，或者让他们继承给下一代

组（1）X T）。

（2）跨操作员：是模拟有性繁殖的基因重组操作，将从人群中得出

（）x t每个选定的母体对它们之间的部分基础与一定的交叉概率交换

因为。

（3）变异算子：这是一种模拟基因突变的遗传操作。它使用人口（）x t

每个人都会改变特定基因座或某些基因座的基础，并具有一定的变化概率

因为值是其他等位基因。

跨算子和突变算子的作用是重组染色体基因以产生新的基因。

个人。

第2页共20页

遗传算法的计算过程如下：

步骤1（初始化）

确定人口大小n，交叉概率

P，突变的概率

P和终止进化标准；

n个个体作为初始种群（0）x产生；设置0 t。

步骤2（个人评估）

计算和评估（）x t中个体的适应性。

步骤3（流行进化）

3.1。选择（母亲）使用（）x t选择算子来选择 / 2 m

（Mn）。

3.2。选择的交叉对 / 2 M对父母，概率

p执行跨界以形成m

一个中间人。

3.3。独立使用M中级个体的概率

P执行变化以形成M

候选人。

3.4。根据上面形成的M候选人的适应性选择（门徒）

n个个体被选择形成新一代人（1）x t。

步骤4（终止检查）

如果已满足终止标准kaiyun全站网页版登录，则输出为（1）x t中最大适合度的个体

最佳解决方案，终止计算，否则设置了1 tt，然后转到步骤2。

上述计算过程只是根据实际条件的遗传算法的各种实施方法之一

不同的问题是不同的，遗传算法的实施也不同。

第3页，共20页

遗传算法具有出色的优势，例如一般，平行，健壮，简单和全球优化功能。

优点，适合解决复杂且困难的全球优化问题。

优化问题称为复杂，通常是指具有以下特征之一：

（1）目标函数没有明确分析表达（例如非数字优化问题）。

（2）尽管目标函数明确表示，但不可能得到准确的评价（例如大多数最多的

最佳控制问题，财务优化问题）。

（3）目标函数具有许多峰（例如DNA计算和组合优化问题）。

（4）多目标优化，即目标函数是向量值。

优化问题称为困难，通常是指：或目标函数F不得

连续，非差异，高度非线性或优化问题是困难的组合问题。

对于这些复杂而困难的优化问题，可能根本不可能使用已知的优化方法

使用或可用但无效。相比之下kaiyun全站登录网页入口，遗传算法不仅可以保证可用，还可以

通常看起来更有效。

但是，我们必须指出，一般且较少依赖目标函数价值和

其他辅助信息算法无法充分利用目标函数值和相关的辅助信息。

辅助信息的算法更有效，当问题具有某些可用的辅助信息时，

也不需要放弃可用于将其应用于信息独立算法的信息。

这是一个明智的选择。因此，遗传算法通常不适合通常的应用。

数值优化问题（例如连续可区分的数学计划问题），或者应用于

在这个问题中，遗传算法并不总是显示出其优越性。

第4页，共20页

接下来，我们将通过求解简单函数的最小值来进行初步开发。

遗传算法的详细实施方法：

问题1：

在[0，2] x间隔上找到函数（）11sin（6）7cos（5）fxxxx的最小值点（5）。

上图是[0，2] x间隔上的函数（）11SIN（）11SIN（）11SIN（6）7cos（5）fxxxx的曲线图像

可以看出，此功能具有多个极端要点，并且易于使用其他搜索方法。

偶然发现当地的最低点，找不到真正的全球最小点，但是遗传算法可以

更好地弥补了这个缺陷。遗传算法的具体实现如下：

1。问题分析。对于此问题，可以将自变量x抽象成个体的基因组，

也就是说，使用二进制编码表示x；函数值（）fx可以抽象为个人的适应性，函数

值越小，健身越高。

关于二进制编码方法，可以在允许的准确性范围内设置间隔内的无。

0 1 2 3 4 5 6 7

-20

-15

-10

-5

10

15

20

第5页共20页

较差的点被有限的点所取代，其间隔足够小，以减少计算量并确保准确性损失。

损失不大。如果使用16位二进制数来表示此间隔中的点，则相邻点之间的间隔仅为

16

2 0

9.5875 10

21



￥

￥



￥

，相邻点的功能值的变化已经很小，这导致

准确性损失是完全可以接受的。

另一个问题是普通的二进制编码方法可能具有较大的汉明

（锤）距离，例如，15和16表示为01111和10000，

所有位必须从15更改为16，此缺陷将降低遗传算法的搜索效率。

通过使用灰色编码可以避免此缺陷。灰色代码的特征是

在任何两个连续整数的编码值之间，只有一个位是不同的，而另一个位是

他们都是完全一样的。灰色编码的原则如下：

有二进制字符串

1 2 n

BB B，对应的灰色弦

1 2 n

AAA，用二进制编码

对灰色代码的转换是

kaiyun全站app登录入口，1

，1

ii

双

BBI

￥











。

从编码到二进制编码到

（）mod2

IJ

BA







。

例如，下表显示了0-15的灰色代码：

0 1 2 3 4 5 6 7

0000 0001 0011 0010 0110 0111 0101 0100

8 9 10 11 12 13 14 15

1100 1101 1111 1110 1010 1011 1001 1000

2。根据遗传算法的计算过程编写程序。

％f（x）= 11sin（6x） + 7cos（5x），0