遗传算法的原理1.doc

文档介绍：遗传算法( ic Algorithm )是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机化搜索方法。它是由美国的 教授 1975 年首先提出, 其主要特点是直接对结构对象进行操作, 不存在求导和函数连续性的限定;具有内在的隐并行性和更好的全局寻优能力;采用概率化的寻优方法,能自动获取和指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。式中为决策变量, 为目标函数式,式 2-2 、 2-3 为约束条件,U 是基本空间, R是U 的子集。满足约束条件的解 X 称为可行解, 集合 R 表示所有满足约束条件的解所组成的集合,称为可行解集合。遗传算法的基本运算过程如下: a) 初始化: 设置进化代数计数器 t=0 , 设置最大进化代数 T, 随机生成 M 个个体作为初始群体 P(0) 。 b) 个体评价: 计算群体 P(t) 中各个个体的适应度。 c) 选择运算: 将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 d) 交叉运算;将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉算子。 e) 变异运算: 将变异算子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。群体 P(t) 经过选择、交叉、变异运算之后得到下一代群体 P(t 1)。 f)终止条件判断:若tT, 则以进化过程中所得到的具有最大适应度个体作为最优解输出,终止计算。