文档介绍：实验报告
<遗传算法>
遗传算法
生物在自然界中的生存繁衍,显示出了其对自然环境的自适应能力。生物的进化过程,主要是通过染色体之间的交叉和变异来完成的。它通过选择淘汰,突然变异,基因遗传等规律产生适应环境的优良物种。受其启发,人们致力于对生物各种生存特性的机理研究和行为模拟,为人工自适应系统的设计和开发提供了广阔的前景。
自然界中的多种生物之所以能够适应环境而得以生存进化,是和遗传和变异生命现象分不开的。正是生物的这种遗传特性,使生物界的物种能够保持相对的稳定;而生物的变异特性,使生物个体产生新的性状,以致于形成新的物种,推动了生物的进化和发展就是这种生物行为的计算机模拟中令人瞩目的重要成果。基于对生物遗传和进化过程的计算机模拟,遗传算法使得各种人工系统具有优良的自适应能力和优化能力。遗传算法就是模仿自然界的生物进化机制发展起来的随机全局搜索和优化方法,借鉴了达尔文的进化论和孟德尔的遗传学说。
进入90年代,遗传算法迎来了兴盛发展时期,无论是理论研究还是应用研究都成了十分热门的课题。
随着应用领域的扩展,遗传算法的研究出现了几个引人注目的新动向:一是基于遗传算法的机器学****这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学****算法。
的研究都是十分重要的。
四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象,其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象,而遗传算法在这方面将会发挥一定的作用,五是遗传算法和进化规划(Evolution Programming,EP)以及进化策略(Evolution Strategy,ES)等进化计算理论日益结合。
3. 遗传算法的原理
遗传算法的思想源于生物遗传学和适者生存的自然规律, 是具有“生存+ 检测”的迭代过程的搜索算法。它以一种群体中的所有个体为对象, 并利用随机化技术指导对一个被编码的参数空间进行高效搜索。其中, 选择、交叉和变异构成了遗传算法的遗传操作;参数编码、初始群体的设定、适应度函数的设计、遗传操作设计、控制参数设定五个要素
组成了遗传算法的核心内容。
遗传算法的流程为:
开始
{
选择编码方式;
产生初始群体;
计算初始群体的适应度;
若不满足结束条件则循环执行:
{
选择操作;
交换操作;
变异操作;
计算新一代群体的适应度;
}
}
结束
由此可以看出, 从搜索角度, 遗传算法与传统的搜索方法相比具有如下独特的优点:
①搜索过程不直接作用在变量上, 不必非常明确描述问题的全部特征, 可直接对结构对象(集合、序列、矩阵、树、图、链和表)进行操作, 通用性强, 能很快适应问题和环境的变化。
②采用概率的变迁规则来指导搜索方向, 而不采用确定性