【正文】 能夠提高遺傳算法的局部搜索效率 . 5 遺傳算法的 函數(shù)優(yōu)化的 應(yīng)用舉例 考慮如下的一個(gè)優(yōu)化問(wèn)題 ： max{f(x)|x∈ X}， 這里 f是 X上的一個(gè)函數(shù) ， X是問(wèn)題的解空間 . 它可以是一個(gè)有限集合（如組合優(yōu)化問(wèn)題） ， 也可以是實(shí)空間 Rn的一個(gè)子集（如連接優(yōu)化問(wèn)題）等 . 有了以上的理論基礎(chǔ) ， 現(xiàn)在來(lái)舉個(gè)簡(jiǎn)單的實(shí)例來(lái)說(shuō)明 ， 如優(yōu)化如下 18 的目標(biāo)函數(shù)（求最大值） ： f(x)=2x2 cos(3x)+xsin(5x)+8 (7) 打開(kāi)并進(jìn)入 Matlab， 新建一 .m 文件 ， 輸入附錄上的程序內(nèi)容 ， 并保存名為 的文件 . 完成后 ， 返回到控制窗口 ， 輸入如下的內(nèi)容 ： sga(40， 2， 10， ， ， ). 執(zhí)行即可得出如下結(jié)果 ， x=； y=， 如圖 2 所示（與精確值基本相同） ,可見(jiàn)此算法是正確的 . 圖 2 遺傳算法程序優(yōu)化結(jié)果圖 6 結(jié)論 遺傳算法的研究歸納起來(lái)分為理論與技術(shù)研究、應(yīng)用研究?jī)蓚€(gè)方面 . 理論與技術(shù)研究主要從遺傳操作、群體大小、參數(shù)控制、適應(yīng)度評(píng)價(jià)以及并行實(shí)現(xiàn)技術(shù)等方面來(lái)提高遺傳算法的性能 . 并且 Matlab軟件 有功能強(qiáng)大的數(shù)學(xué)函數(shù)支持編程效率高 ， 語(yǔ)句簡(jiǎn)單 ，功能齊備利用 Matlab來(lái)編寫(xiě)遺傳算法程序簡(jiǎn)單而且易于操作 . 任何事物之間 都存在著必然的聯(lián)系 ， 就如遺傳算法 . 遺傳算法的理論本身來(lái)源于自然界中 “遺傳與選擇”的進(jìn)化過(guò)程 然而現(xiàn)在 遺傳算法的基本理論已經(jīng)廣泛用于 函數(shù)優(yōu)化 、 19 組合優(yōu)化、生產(chǎn)調(diào)度、自動(dòng)控制、機(jī)器人智能、人工生命、機(jī)器學(xué)習(xí)、數(shù)據(jù)挖掘等各方面 . 因此在日常的生活與學(xué)習(xí)中我們要善于用普遍聯(lián)系的哲學(xué)觀去 發(fā)現(xiàn)事物、 認(rèn)知事物最后找到解決問(wèn)題的最優(yōu)方法 . 遺傳算法作為一種優(yōu)化理論 ， 其本身就是很復(fù)雜 的 .由于本人的水平有限 ， 該文在尋求最優(yōu)解時(shí) ， 未能對(duì)最優(yōu)解產(chǎn)生的過(guò)程進(jìn)行詳細(xì)的描述 ， 只是 給 出 了 粗略的介紹 , 這是不足的地方 . 力的方向 遺傳算法因?yàn)槠鋷缀醪恍枰髥?wèn)題的任何信息 ， 僅需目標(biāo)函數(shù)的信息 ， 就可以得出全局最優(yōu)解 ， 具有非常廣闊的發(fā)展前景 . 但是遺傳算法作為一種優(yōu)化理論 ,其本身就是很復(fù)雜 ， 所以對(duì)任何問(wèn)題都適用的萬(wàn)能算法至今仍找不到 . 在 優(yōu)化理論 方面 ， 要注意以下的幾個(gè)方面 ： (1)對(duì)于對(duì) f(x)的極小值優(yōu)化問(wèn)題 ， 標(biāo)準(zhǔn)適應(yīng)函數(shù)可定義 ： ? ?xnormaif =f??x ； f??x ?(? ,? ] (8) ? ?xnormaif = ? ?xf1 1?； f??x ?[0,? ) (9) (2)適應(yīng)度函數(shù)的確定 適應(yīng)度函數(shù)是用于評(píng)價(jià)各碼串對(duì)問(wèn)題適應(yīng)程度的準(zhǔn)則 . 函數(shù)優(yōu)化問(wèn)題是直接把函數(shù)本身作為目標(biāo)函數(shù) ， 對(duì)于復(fù)雜的系統(tǒng) ， 必須構(gòu)造出恰當(dāng)?shù)哪繕?biāo)函數(shù) . (3)確定算法本身的參數(shù) 群體的大?。ㄓ址Q群體規(guī)模） n影響遺傳算法的性能 . n取得太小 ， 則群體不能提供足夠的信息 ， 算法會(huì)變得很差很難找到問(wèn)題的解 ； n取得過(guò)大 ， 則算法的計(jì)算量會(huì)增加 ，使算法的效率下降 . 目前常用的群 體規(guī)模數(shù)為 ： n=20～ 160. 若群體容量較大如 ： n=100通常取 pc=， pm=； 若群體容量較小如 ： n=30通常取 pc=， pm=. 20 參考文獻(xiàn) [1]周勇等 . 非數(shù)值并行算法 遺傳算法 [M]. 北京 :科學(xué)出版 社 ,2021:2025. [2]周明 , 孫樹(shù)棟 . 遺傳算法原理及應(yīng)用 [M]. 北京 : 國(guó)防工業(yè)出版社 ,1995:1020. [3]徐宗本 , 李國(guó) . 解全局優(yōu)化問(wèn)題的仿生類算法 (I)[J]. 運(yùn)籌學(xué)雜志 ,1995,6(12):7072. [4]張文修 . 遺傳算法 的數(shù)學(xué)基礎(chǔ) [M]. 成都： 西安交通大學(xué)出版社 ,2021:3444. [5]王小平 . 遺傳算法 理論、應(yīng)用與軟件實(shí)現(xiàn) [M]. 成都： 西安交通大學(xué)出版社 ,2021:5860. [6]張鈴、張鈸 . 遺傳算法的機(jī)理研究 [J]. 軟件學(xué)報(bào) ,2021,15(2):57. [7]李敏強(qiáng) . 遺傳算法的基本理論與應(yīng)用 [M]. 北京 : 科學(xué)出版社 ,2021:8387. [8]吉根林 . 遺傳算法研究綜述 [J]. 計(jì)算機(jī)應(yīng)用與軟件 , 2021,13(5):1113. [9]玄光男 ， 程潤(rùn)傳 . 遺傳算法與工程設(shè)計(jì) [M]. 北 京 : 科學(xué)出版社 ,2021:6774. [10]馬玉明 . 遺傳算法的理論研究綜述 [J]. 山東輕工業(yè)學(xué)院學(xué)報(bào) ,2021:18(3):4653. [11]張麗萍 , 柴躍廷 . 遺傳算法的現(xiàn)狀及發(fā)展動(dòng)向 [J]. 信息與控制 ,2021,18(5):2317. [12]戴曉暉 , 李敏強(qiáng) , 寇紀(jì)凇 . 遺傳算法理論研究綜述 [J]. 控制與決策 ,2021,16(2):2730. [13]席裕庚 , 柴天佑 , 惲為民 . 遣傳算法綜述 [J]. 控制理論與應(yīng)用 ,1996,13(4):3339. [14]唐穗欣 . 標(biāo)準(zhǔn)遺傳 算法的原理及算例 [J]. 軟件導(dǎo)刊 ,2021,17(6):2227. [15]俆小龍 ， 王文國(guó) . 遺傳算法的原理與應(yīng)用 [J]. 沿海企業(yè)與科技 ,2021,20(3):3438. [16]張文修 ， 梁怡 . 遺傳算法的數(shù)學(xué)基礎(chǔ) [M]. 成都：西南交通大學(xué)出版社 ,2021:104112. [17]潘正君 ， 康立山 . 演化計(jì)算 [M]. 北京：清華大學(xué)出版社 ,1998:8489. [18]李敏強(qiáng) , 寇紀(jì)凇 ,林丹 ,李書(shū)全 . 遺傳算法的基本理論與應(yīng)用 [M]. 北京 :科學(xué)出 社 ,2021:7784. [19]孫祥 ， 徐流美 . 基礎(chǔ)教程 [M]. 北京 : 清華 大學(xué)出版社 ,2021:94102. 21 致 謝 轉(zhuǎn)眼間 , 我已在曲靖師范學(xué)院度過(guò)了四個(gè)年頭 . 四年 , 一段不短的時(shí)間 , 四年的光陰讓我成長(zhǎng) , 讓我從青澀走向成熟 . 此次畢業(yè)論文的每一個(gè)過(guò)程都凝結(jié)著劉俊老師的心血 , 從選題到答辯的每一步 , 都離不開(kāi)劉老師悉心的指導(dǎo) . 劉老師對(duì)我的影響是巨大而深刻的 , 這種影響不是一朝的迸發(fā) , 而是日積月累的滲透 , 在這點(diǎn)滴匯聚中使我逐漸形成正確 、 成熟的人生觀、價(jià)值觀 . 為此 , 我常常慶幸于我的幸運(yùn) — 有這樣的導(dǎo) 師是我本科生生涯的一大幸事 ! 在此 , 我要真誠(chéng)的說(shuō)聲 :“謝謝您 , 劉老師 !”遺憾的是 , 畢業(yè)在即 ,能夠在劉老師身邊學(xué)習(xí)的日子已屈指可數(shù) . 多么希望時(shí)間可以再多些 , 日子可以再長(zhǎng)些 , 讓我可以有更多的時(shí)間 , 更多的機(jī)會(huì)向劉老師再多學(xué)一點(diǎn) . 不過(guò) , 在以后的學(xué)習(xí)和生活中我會(huì)謹(jǐn)記劉老師的教導(dǎo)不斷的努力奮斗 ! 另外 , 我還要感謝大學(xué)這四年中辛苦教育我的每位教師 . 是他們的教育 , 使我的世界觀 、 人生觀和價(jià)值觀從幼稚走向成熟！在大學(xué)里 , 因?yàn)橛辛死蠋煹囊龑?dǎo) ,使我的大學(xué)生活不至虛度！ 最后 , 感謝我的朋友 , 我的同窗 , 感謝你們?cè)谖沂б鈺r(shí)給我鼓勵(lì) , 在失落時(shí)給我支持 , 感謝你們和我一路走來(lái) , 讓我在此過(guò)程中倍感溫暖 ! 感謝我的家人 , 沒(méi)有你們 , 就不會(huì)有今天的我 !我一直感恩 , 感恩于我可以擁有一個(gè)如此溫馨的家庭 , 讓我所有的一切都可以在你們這里得到理解與支持 , 得到諒解和分擔(dān) .我愛(ài)你們 , 愛(ài)我們的家！ 一個(gè)人的成長(zhǎng)絕不是一件孤立的事 , 沒(méi)有別人的支持與幫助絕不可能辦到 . 我感謝可以有這樣一個(gè)空間 , 讓我對(duì)所有給予我關(guān)心、幫助的人說(shuō)聲“謝謝” ! 今后 , 我會(huì)繼續(xù)努力 , 好好學(xué)習(xí) !好好生活 !好好工作 !! 22 附 錄 function result=sga(n,a,b,pc,pm,e) %n— 群體規(guī)模 。 2 3 遺傳算法的理論研究 2 遺傳算法的產(chǎn)生背景 4 遺傳算法的組成要素 popu=round(rand(popusize,chromlength))。 end end popu=newpopu。 py=chromlength。ylabel(39。s plaint. In a statement the Russian side added: We found no racist insults from fans of CSKA. Age has reached the end of the beginning of a word. May be guilty in his seems to passing a lot of different life became the appearance of the same day。% 返回優(yōu)化結(jié)果 g an employment tribunal claim Employment tribunals sort out disagreements between employers and employees. You may need to make a claim to an employment tribunal if: ? you don39。 popu=newpopu。 else newpopu(i,:)=popu(i,:)。 end popu2=sum(popu1,2)。expo(expo(a))=0。 10 遺傳算法的改進(jìn) 8 遺傳算法的基本流程描述 19 努力的方向 %隨機(jī)產(chǎn)生 n 行 m 列的初始群體 while j=30 %設(shè)置程序中止條 件 py=chromlength。 for i=1:2:popusize1 %執(zhí)行交叉操作 if randpc cpoint=round(rand*chromlength)。 for i=1:py %進(jìn)行二進(jìn)制轉(zhuǎn)換成十進(jìn)制的解碼操作 bestindividual(1,i)=2.^(py1).*bestindividual(:,i)。y39。 May be back in the past, to oneself the 。 %計(jì)算最大值及其位置 result=[r(index) y]。 end r(j)=a+sum(bestindividual,2)*(ba)/(21)。 newpopu(i+1,:)=[popu(i+1,1:cpoint) popu(i,cpoint+1:chromlength)]。 py=py1。 19 參考文獻(xiàn) 20 致 謝 21 附 錄 22 1 1 引言 遺傳算法 (Geic Algorithm)是模擬自然界生物進(jìn)化機(jī)制的一種算法即遵循適者生存 、 優(yōu)勝劣汰的法則也就是尋優(yōu)過(guò)程中有用的保留無(wú)用 的則去除 . 在科學(xué)和生產(chǎn)實(shí)踐中表現(xiàn)為在所有可能的解決方法中找出最符合該問(wèn)題所要求的條件的解決方法即找出一個(gè)最優(yōu)解 . 這種算法是 1960年由 Holland提出來(lái)的其最初的目的是研究自然系統(tǒng)的自適應(yīng)行為并設(shè)計(jì)具有自適應(yīng)功能的軟件系統(tǒng) . 它的特點(diǎn)是對(duì)參數(shù)進(jìn)行編碼運(yùn)算不需要有關(guān)體系的任何先驗(yàn)知識(shí)沿多種路線進(jìn)行平行搜索不會(huì)落入局部較優(yōu)的陷阱 ， 能在許多局部較優(yōu)中找到全局最優(yōu)點(diǎn)是一種全局最優(yōu)化方法 [13]. 近年來(lái) ， 遺傳算法已經(jīng)在國(guó)際上許多領(lǐng)域得到了應(yīng)用 . 該 文將從遺傳算法的理論和技術(shù)兩方面概述目前的研究現(xiàn)狀 描述遺傳算 法的主要特點(diǎn) 、 基本原理以及 改進(jìn)算法 ， 介紹遺傳算法的應(yīng)用領(lǐng)域 ， 并 用 MATLAB實(shí)現(xiàn)了 遺傳算法 及最優(yōu)解的求解 . 2 文獻(xiàn)綜述 國(guó)內(nèi) 外 有不少的專家和學(xué)者對(duì)遺傳算法的進(jìn)行 研究與 改進(jìn) . 比如 ： 1991年 在他的論文中提出了基于領(lǐng)域交叉的交叉算子 （ ADJACENCY BASED CROSSOVER），這個(gè)算子是特別針對(duì)用序號(hào)表示基因的個(gè)體的交叉， 并將其應(yīng)用到了 TSP問(wèn)題中，通過(guò)實(shí)驗(yàn)對(duì)其進(jìn)行了驗(yàn)證 . 2021年，戴曉明等應(yīng)用多種群遺傳并行進(jìn)化的思想 ，對(duì)不同種群基于不同的遺傳策略，如 變異概率，不同的變異算子等來(lái)搜索變量空間 ，并利用種群間遷移算子來(lái)進(jìn)行遺傳信息交流，以解決經(jīng)典遺傳算法 的收斂到局部最優(yōu)值問(wèn)題 . 國(guó)內(nèi)外很多文獻(xiàn)都對(duì)遺傳算法進(jìn)行了研究 . 現(xiàn) 查閱到的國(guó)內(nèi)參考文獻(xiàn) [119]中 , 周勇、周明 分別 在文獻(xiàn) [1]、 [2]中 介紹了 遺傳算法的 基本原理；徐宗本在文獻(xiàn) [3]中探討了包括遺傳算法在內(nèi)的解全局優(yōu)化問(wèn)題的各類算法 ，文本次論文寫(xiě)