【正文】 感謝教育我四年的老師們,是你們讓我學(xué)到了寶貴的知識(shí),讓我能夠與實(shí)際工作結(jié)合起來快速提高,讓我能夠取長(zhǎng)補(bǔ)短,逐漸成熟. 更要感謝我的論文指導(dǎo)老師，是您在我論文遇到困惑的時(shí)候，給予我最大的幫助.。 EndEndFor each antT[i]=(1p)*T[i]+k*f(x[i])。 Else Temp=x[i]+max_step*(rand(1))。 For each ant Prob[i]=(T_Best_T[i])/T_Best。 T[i]=k*f(x[i])。 P=。M，個(gè)體的適應(yīng)度為，那么選取個(gè)體的概率為 (22)在生物的正常進(jìn)化的過程中，交配兩個(gè)同源染色體，之后對(duì)其二者進(jìn)行重組，產(chǎn)生不一樣的染色體，進(jìn)而，.，其細(xì)胞分裂復(fù)制環(huán)節(jié)有可能會(huì)因?yàn)槟承┡既灰蛩氐挠绊懚a(chǎn)生一些復(fù)制差錯(cuò)，對(duì)于生物的某些基因這些差錯(cuò)就會(huì)導(dǎo)致某些變異，新生的染色體由此而生.對(duì)于某個(gè)個(gè)體，通過二進(jìn)制的編碼表示，就是將染色體的某一位由0變?yōu)?，或者由1變?yōu)?. 如圖21所示：1101111001變異圖21 變異算子說明對(duì)于特定參數(shù)的運(yùn)行；基本遺傳算法可以表示為： (23)在(21)式中相應(yīng)的符號(hào)意義如下： ：初始種群 圖22為基本遺傳算法的流程圖： 編碼和種群的生成種群中個(gè)體適應(yīng)度的檢測(cè)評(píng)估選擇變異交叉圖2 2 遺傳算法基本流程圖 遺傳算法的實(shí)質(zhì)就是進(jìn)行選擇算子，使下一代可以接受當(dāng)前優(yōu)良模式的種群，交叉算子對(duì)模式進(jìn)行重組，通過對(duì)變異算子的利用，使得模式得到突變. 依此操作進(jìn)行，模式的進(jìn)化方向便會(huì)越來越好，最優(yōu)解進(jìn)而由此產(chǎn)生. 遺傳算法函數(shù)優(yōu)化實(shí)例利用罰函數(shù)法將連續(xù)變量約束優(yōu)化問題轉(zhuǎn)化為連續(xù)變量無約束優(yōu)化問題，： (24) (25)式中：為的上下限；為約束函數(shù)；，則有： (26) (27)其中：是第個(gè)約束的罰因子；是罰項(xiàng)的約束精度.定義適應(yīng)度函數(shù)為： (28)為大于各代群體中個(gè)體的最大適應(yīng)度值，可將優(yōu)化問題轉(zhuǎn)化為遺傳算法的群體進(jìn)化問題例 考慮 最大值優(yōu)化問題.為了對(duì)該算法進(jìn)行改進(jìn)的證明，引入了一元函數(shù) （29）由數(shù)學(xué)分析知識(shí)可以求得，在區(qū)間[1,2]上是可微的 .： （210） （211）將其保存到work工作目錄下，在圖23中輸入如下參數(shù)Fitness function： my1_fun(x)Number of Variables:1其遺傳代數(shù)設(shè)置為：100操作過程及結(jié)果如圖224所示圖23遺傳算法工具箱參數(shù)設(shè)定圖圖24 my1_fun模擬測(cè)試圖測(cè)試結(jié)果為GA running.GA terminated.Fitness function value: Optimization terminated: maximum number of generations exceeded.Options have changed.GA running.GA terminated.Fitness function value: Optimization terminated: stop requested.GA running.GA terminated.Fitness function value: Optimization terminated: maximum number of generations exceeded.例 的最大值. （212）將函數(shù)的進(jìn)化代數(shù)設(shè)置為50代，測(cè)試結(jié)果如圖25所示：圖25 函數(shù)測(cè)試結(jié)果圖Options have changed.GA running.GA terminated.Fitness function value: Optimization terminated: stall generations limit exceeded.Options have changed.GA running.GA terminated.Fitness function value: Optimization terminated: maximum number of generations exceeded.實(shí)驗(yàn)相關(guān)分析：(1) ，會(huì)對(duì)二進(jìn)制編碼的形式采取利用，個(gè)體存在于某個(gè)變量值當(dāng)中，其通常被表示為{0，1}.其中，所解出的精度可以決定串的長(zhǎng)度. (1)=3，閉區(qū)間[1,2] 2097152=3那么，在區(qū)間內(nèi)轉(zhuǎn)化成為對(duì)應(yīng)的實(shí)數(shù)值很簡(jiǎn)單，只需：1) 將化為10進(jìn)制數(shù)： （213）2) 對(duì)應(yīng)[1,2]區(qū)間里面的實(shí)數(shù)： （214）(2) 初始的種群的產(chǎn)生：此種群的數(shù)量可以由種群的大小來表示.(3) ，由于定義域都不小于0，同時(shí)是對(duì)函數(shù)的最大值進(jìn)行求解，那么直接對(duì)目標(biāo)函數(shù)進(jìn)行引用： （215）二進(jìn)制串s對(duì)應(yīng)變量x的值.如變量x 中三個(gè)個(gè)體的值，分別對(duì)應(yīng)計(jì)算結(jié)果如下所示：不難看出， 在三個(gè)個(gè)體里面，適應(yīng)度最大，那么被選為最優(yōu)個(gè)體.(4) 遺傳操作以下兩個(gè)個(gè)體，是通過選擇后操作的，首先進(jìn)行單點(diǎn)的交叉，如無規(guī)律的選擇某一點(diǎn)作為交叉點(diǎn)，如第5位與第6位中間，新產(chǎn)生的子個(gè)體會(huì)在交叉之后，隨之產(chǎn)生：適應(yīng)度的表現(xiàn)為：個(gè)體比另兩個(gè)父?jìng)€(gè)體的適應(yīng)度要相對(duì)較高. (5) 模擬結(jié)果 設(shè)定種群大小為50，交叉率，變異概率=，按照上述的基本遺傳算法SGA，在運(yùn)行到89代時(shí)，獲得最佳個(gè)體. 遺傳算法在巡回商問題中的應(yīng)用 順序表示和交叉順序的表示是指的將所有的鄉(xiāng)村進(jìn)行依次的排列成一個(gè)普通順序表，對(duì)于某一條的旅程，在處理每一個(gè)鄉(xiāng)村的時(shí)候,可一跟據(jù)旅行經(jīng)過的順序來，每一個(gè)鄉(xiāng)村在通過順序表當(dāng)中的順序可以看做是某一個(gè)遺傳的因子的表示，在每一次處理完成一個(gè)鄉(xiāng)村，便從該順序表當(dāng)中去除掉此鄉(xiāng)村. 處理完成所有的鄉(xiāng)村之后，就連接起每一個(gè)鄉(xiāng)村遺傳因子，則成為一條為的旅程. 按此種編碼的方法，該旅程編碼即為表 因?yàn)椴捎么朔N順序的表示的技術(shù)，便可采取基本的遺傳算法交叉的操作，父?jìng)€(gè)體1與父?jìng)€(gè)體2為： 他們分別表示旅程為：兩個(gè)體它們?cè)诮徊娴狞c(diǎn)處來進(jìn)行基因的重組，接著便生成了子個(gè)體1與子個(gè)體2，為： ： ：它們所代表的旅程為：根據(jù)上面的單點(diǎn)交叉表示情形,不難看出，交叉點(diǎn)的左右兩側(cè)的部分發(fā)生了不同的變化,右側(cè)旅程產(chǎn)生了隨機(jī)的變化，,可以看出,此種方法里存在著一定的適用性問題. 路徑的表示和交叉路徑的表示為表示的旅程對(duì)應(yīng)基因的編碼最為自然，最為簡(jiǎn)單表示的方法. 如，旅程（）可以直接的表示為，基于路徑的表示編碼的方法，需要一個(gè)個(gè)體染色體的編碼當(dāng)中不能允許有著重復(fù)基因碼，就是需要滿足任何一個(gè)鄉(xiāng)村都必須訪問一次. 基本的遺傳算法交叉的操作而生成個(gè)體，其一般情況是不能夠滿足這種約束的條件. 因此，提供出一組被稱為重排的操作新操作來進(jìn)行處理這種表示，它主要包括以下三種的操作：部分的匹配的交叉對(duì)于下面所表示，任意選擇兩個(gè)不同的交叉點(diǎn)“|”. ： （1 2 3| 4 5 6 7| 8 9） ： （4 5 2| 1 8 7 6|