【文章內(nèi)容簡(jiǎn)介】 畢竟不多，所以搜索效率不高，有時(shí)甚至使搜索過程陷于局部最優(yōu)解而停滯不前。遺傳算法從由很多個(gè)體所組成的一個(gè)初始群體開始最優(yōu)解的搜索過程，而不是從一個(gè)單一的個(gè)體開始搜索。對(duì)這個(gè)群組所進(jìn)行的選擇，交叉，變異等運(yùn)算，產(chǎn)生出的是新一代的群體，在這之中包括了很多群體信息。這些信息可以避免搜索一些不必搜索的點(diǎn)，所以實(shí)際上相當(dāng)于搜索了更多的點(diǎn)，這是遺傳算法所特有的一種隱含并行性。攙閿頻嶸陣澇諗譴隴瀘鐙澮蹤島騁檻。（）遺傳算法使用概率搜索技術(shù)。很多傳統(tǒng)的優(yōu)化算法往往使用的是確定性的搜索方法，一個(gè)搜索點(diǎn)到另一個(gè)搜索點(diǎn)的轉(zhuǎn)移有確定的轉(zhuǎn)移方法和轉(zhuǎn)移關(guān)系，這種確定性往往也有可能使得搜索永遠(yuǎn)達(dá)不到最優(yōu)點(diǎn)，因而也限制了算法的應(yīng)用范圍。而遺傳算法屬于一種自適應(yīng)概率搜索技術(shù)，其選擇，交叉，變異等運(yùn)算都是以一種概率的方式來進(jìn)行的，從而增加了其搜索過程的靈活性。雖然這種概率特性也會(huì)使群體中產(chǎn)生一些適應(yīng)度不高的個(gè)體，但隨著進(jìn)化過程的進(jìn)行，新的群體中總會(huì)更多的產(chǎn)生出許多優(yōu)良的個(gè)體，實(shí)踐和理論都證明了在一定條件下遺傳算法總是以概率收斂于問題的最優(yōu)解。當(dāng)然，交叉概率和變異概率等參數(shù)也會(huì)影響算法的搜索效果和搜索效率，所以如何選擇遺傳算法的參數(shù)在其應(yīng)用中是一個(gè)比較重要的問題。而另一方面，與其他一些算法相比，遺傳算法的魯棒性又會(huì)使得參數(shù)對(duì)其搜索效果的影響會(huì)盡可能的低。趕輾雛紈顆鋝討躍滿賺蜆騍純蠅驪銬。 遺傳算法的基本操作（） 復(fù)制（ ）復(fù)制是從一個(gè)舊種群中選擇生命力強(qiáng)的個(gè)體串產(chǎn)生新種群的過程。根據(jù)位串的適配值拷貝，也就是指具有高適配值的位串更有可能在下一代中產(chǎn)生一個(gè)或多個(gè)子孫。它模仿了自然現(xiàn)象，應(yīng)用了達(dá)爾文的適者生存理論。復(fù)制操作可以通過隨機(jī)方法來實(shí)現(xiàn)。若用計(jì)算機(jī)程序來實(shí)現(xiàn)，可以考慮首先產(chǎn)生之間均勻分布的隨機(jī)數(shù)，若某串的復(fù)制概率為，則當(dāng)產(chǎn)生的隨機(jī)數(shù)在之間時(shí)，該串被復(fù)制，否則被淘汰。此外，還可以通過計(jì)算方法實(shí)現(xiàn)，其中幾種較典型的方法為：適應(yīng)度比例法，期望值法，排位次法等，其中適應(yīng)度比例法較常用。夾覡閭輇駁檔驀遷錟減汆藥徑鴕駭槍。（）交叉（ ）復(fù)制操作能從舊種群中選擇出優(yōu)秀者，但不能創(chuàng)造新的染色體。而交叉模擬了生物進(jìn)化中的繁殖現(xiàn)象，通過兩個(gè)染色體的交換組合來產(chǎn)生新的優(yōu)良品種。它的過程為：在匹配池中任選兩個(gè)染色體，隨機(jī)選擇一點(diǎn)或多點(diǎn)交換點(diǎn)位置；交換雙親染色體交換點(diǎn)右邊的部分，即可得到兩個(gè)新染色體數(shù)字串。交換體現(xiàn)了自然界中信息交換的思想，交叉有一點(diǎn)交叉，多點(diǎn)交叉，一致交叉，順序交叉和周期交叉。一點(diǎn)交叉是最基本的方法，應(yīng)用較廣，它是指染色體有一處，例：視絀鏝鴯鱭鐘腦鈞欖糲僉爾魷癆駱鈐。 變異（ ）變異運(yùn)算用來模擬生物在自然的遺傳環(huán)境中由于各種偶然因素引起的基因突變，它以很小的概率隨機(jī)的改變遺傳基因（表示染色體得符號(hào)串的某一位的值）。在染色體以二進(jìn)制編碼的系統(tǒng)中，它隨機(jī)的將染色體的某個(gè)基因由變?yōu)?，或者由變?yōu)?。若只有選擇和交叉而沒有變異，則無法在初始基因組合以外的空間進(jìn)行搜索,使進(jìn)化過程在早期就陷入局部解而進(jìn)入終止過程，從而影響解得質(zhì)量。為了在盡可能大的空間中獲得質(zhì)量較高的優(yōu)化解，必須采用變異操作。偽澀錕攢鴛擋緬鐒鈞錠鈴鉍蹌鏟驊擷。遺傳算法的基本步驟編碼方法在遺傳算法的運(yùn)行過程中，它不對(duì)所求解問題的實(shí)際變量直接進(jìn)行操作，而是對(duì)表示可行解的個(gè)體編碼施加選擇，交叉，變異等遺傳算法，通過這種遺傳操作來達(dá)到優(yōu)化的目的，這是遺傳算法的特點(diǎn)之一。遺傳算法通過通過這種對(duì)個(gè)體編碼的操作，不斷搜索出適應(yīng)度較高的個(gè)體，并在群體中逐漸增加其數(shù)量，最終尋求出問題的最優(yōu)解或近似最優(yōu)解。在遺傳算法中如何描述問題的可行解，即把問題的可行解從其解空間轉(zhuǎn)換到遺傳算法所能處理的搜索空間的轉(zhuǎn)換方法就稱為編碼。緦徑銚膾齲轎級(jí)鏜撟廟耬癬紇徑驕鄰。編碼是應(yīng)用遺傳算法時(shí)要解決的首要問題，也是設(shè)計(jì)遺傳算法使的一個(gè)關(guān)鍵步驟。編碼方法除了決定了個(gè)體的染色體排列形式之外，它還決定了個(gè)體從搜索空間的基因型變換到解空間的表現(xiàn)型時(shí)的解碼方法。編碼方法也影響到交叉算子，變異算子等遺傳算子的運(yùn)算方法。由此可見，編碼方法在很大程度上決定了如何進(jìn)行群體的遺傳進(jìn)化運(yùn)算以及遺傳進(jìn)化運(yùn)算的效率。一個(gè)好的編碼方法，有可能會(huì)使得交叉運(yùn)算，變異運(yùn)算等遺傳操作可以簡(jiǎn)單的實(shí)現(xiàn)和執(zhí)行。而一個(gè)差的編碼方法卻有可能會(huì)產(chǎn)生很多在可行解集內(nèi)無法對(duì)應(yīng)可行解的個(gè)體，這些個(gè)體經(jīng)解碼處理后所表示的解稱為無效解。雖然有時(shí)產(chǎn)生一些無效解并不完全都是有害的，但大部分情況下它卻是影響遺傳算法運(yùn)行效率的主要因素之一。騅憑鈳銘僥張礫陣軫藹攬齊彎議罵擰。針對(duì)喲個(gè)具體應(yīng)用問題，如何設(shè)計(jì)一個(gè)完美的編碼方案一直是遺傳算法的應(yīng)用難點(diǎn)之一，也是遺傳算法的一個(gè)重要的研究方向。癘騏鏨農(nóng)剎貯獄顥幗騮鴣詼驤齔駘輸。由于遺傳算法應(yīng)用范圍的廣泛性，迄今為止，人們已經(jīng)提出了許多種不同的編碼方法。其中二進(jìn)制編碼方法是遺傳算法中最常用的一種編碼方法，它使用的編碼符號(hào)集是由二進(jìn)制符號(hào)和所組成的二進(jìn)制符號(hào)集{，}，它所構(gòu)成的個(gè)體基因型是一個(gè)二進(jìn)制編碼符號(hào)串。鏃鋝過潤(rùn)啟婭澗駱讕瀘載撻贏禱驛懼。二進(jìn)制編碼符號(hào)串的長(zhǎng)度與問題要求的求解精度有關(guān)，假設(shè)某一參數(shù)的取值范圍是[,],我們用長(zhǎng)度為的二進(jìn)制編碼符號(hào)串來表示該參數(shù)，則它總共能產(chǎn)生種不同的編碼，若使參數(shù)編碼時(shí)的對(duì)應(yīng)關(guān)系如下：榿貳軻謄壟該檻鯔塏賽緯闥糝鍔駕躦。 則二進(jìn)制編碼的編碼精度為： （）假設(shè)某一個(gè)體的編碼是： :則對(duì)應(yīng)的解碼公式為：（）例如對(duì)于，若用位長(zhǎng)的二進(jìn)制編碼來表示該參數(shù)的話，則下述符號(hào)串： 就可表示一個(gè)個(gè)體，它所對(duì)應(yīng)的參數(shù)值是。此時(shí)的編碼精度為。二進(jìn)制編碼方法有下述一些特點(diǎn)：編碼解碼操作簡(jiǎn)單易行。交叉變異等遺傳操作便于實(shí)現(xiàn)。符號(hào)最小字符集 編碼原則。便于利用模式定理對(duì)算法進(jìn)行理論分析。適應(yīng)度函數(shù)的選取 在研究生物界中生物的遺傳和進(jìn)化現(xiàn)象時(shí)，生物學(xué)家用適應(yīng)度這個(gè)術(shù)語(yǔ)來度量某個(gè)物種對(duì)于其生存環(huán)境的適應(yīng)程度。對(duì)生存環(huán)境適應(yīng)度較高的物種將有更多的繁殖機(jī)會(huì)，而對(duì)對(duì)生存環(huán)境適應(yīng)度較低的物種其繁殖機(jī)會(huì)相對(duì)較少，甚至?xí)饾u滅絕。與此類似，遺傳算法中也使用適應(yīng)度這個(gè)概念來度量群體中各個(gè)個(gè)體在優(yōu)化計(jì)算中有可能達(dá)到或接近于或有助于找到最優(yōu)解的優(yōu)良程度。適應(yīng)度較高的個(gè)體遺傳到下一代的概率就較大；而適應(yīng)度小些的個(gè)體遺傳到下一代的概率就相對(duì)小些。度量個(gè)體適應(yīng)度的函數(shù)稱為適應(yīng)度函數(shù)（ ）。邁蔦賺陘賓唄擷鷦訟湊幟結(jié)廢擴(kuò)駑彎。 遺傳算法的一個(gè)特點(diǎn)是他僅使用所求問題的目標(biāo)函數(shù)值就可以得到下一步的有關(guān)搜索信息。而對(duì)目標(biāo)函數(shù)值的使用是通過評(píng)價(jià)個(gè)體的適應(yīng)度來體現(xiàn)的。評(píng)價(jià)個(gè)體適應(yīng)度的一般過程為：嶁硤貪塒廩袞憫倉(cāng)華糲饃勵(lì)騮詡駐賭。對(duì)個(gè)體編碼串進(jìn)行進(jìn)行解碼出理后，可得到個(gè)體的表現(xiàn)型。由個(gè)體的表現(xiàn)型可計(jì)算出對(duì)應(yīng)個(gè)體的目標(biāo)函數(shù)值。根據(jù)最優(yōu)化問題的類型，由目標(biāo)函數(shù)值按一定的轉(zhuǎn)換規(guī)則求出 個(gè)體的適應(yīng)度。 最優(yōu)化問題可分為兩大類，一類為求目標(biāo)函數(shù)的全局最大值，另一類為求目標(biāo)函數(shù)的全局最小值。對(duì)于這兩類優(yōu)化問題，由解空間中某一點(diǎn)的目標(biāo)函數(shù)值的到搜索空間中某一點(diǎn)的目標(biāo)函數(shù)值的轉(zhuǎn)換方法：該櫟諼碼戇沖巋鳧薩錠謨贛贅眾騶嶠。 對(duì)于求最大值的問題，做下述轉(zhuǎn)換：（）式中，為一個(gè)適當(dāng)?shù)南鄬?duì)較小的數(shù)。對(duì)于求最小值的問題，做下述轉(zhuǎn)換：（）式中，為一個(gè)適當(dāng)?shù)南鄬?duì)較大的數(shù)。 遺傳算子 遺傳算子是遺傳算法中對(duì)群體中的個(gè)體進(jìn)行的操作，其目的是通過這些操作得到新的個(gè)體。遺傳算法中定義了很多算子，其中只要有三個(gè)分別是：選擇算子，交叉算子，變異算子。劇妝諢貰攖蘋塒呂侖廟痙湯籪糶駒責(zé)。()選擇算子選擇策略對(duì)算法性能的影響會(huì)起到舉足輕重的作用，直接影響到算法的性能和結(jié)果。在中采用適應(yīng)度比例方法，也叫做輪盤賭注方法。在該方法中，每個(gè)個(gè)體的選擇概率和其適應(yīng)度值成比例。設(shè)群體大小為，其中個(gè)體的適應(yīng)度值為，則被選擇的概率：臠龍訛驄椏業(yè)變墊羅蘄囂馱廣閏駙孫。()概率反映了個(gè)體的適應(yīng)度在整個(gè)的個(gè)體適應(yīng)度中和中所占的比例。選擇方法可以這樣理解，根據(jù)選擇概率把一個(gè)圓盤分成份，在選擇時(shí)可以假想轉(zhuǎn)動(dòng)圓盤，若某參照點(diǎn)落入到第個(gè)扇形區(qū)內(nèi)，則選擇個(gè)體。很顯然，這種方式很類似于輪盤賭住中的輪盤。小扇區(qū)的面積越大，落入其中的概率也越大，即個(gè)體的適應(yīng)值也越大，他被選擇到的機(jī)會(huì)也就越多，從而其基因結(jié)構(gòu)遺傳到下一代的機(jī)會(huì)也就越多。鰻順褸悅漚縫囅屜鴨騫鬩藶騍擯駟謔。()交叉算子在生物的自然進(jìn)化過程中，兩個(gè)同源染色體通過交配而重組，形成新的染色體，從而產(chǎn)生出新的個(gè)體或物種。交配重組是生物遺傳和進(jìn)化過程中的一個(gè)重要環(huán)節(jié)。模仿這個(gè)環(huán)節(jié)，在遺傳算法中也是用交叉算子來產(chǎn)生新的個(gè)體。穡釓虛綹滟鰻絲懷紓濼視嬌賭謗駔墮。遺傳算法中的所謂交叉運(yùn)算，是指兩個(gè)相互配對(duì)的染色體按某種方式相互交換其部分基因從而形成兩個(gè)新的個(gè)體。交