用遗传算法求解Ackley函数

      第一部分讲解了遗传算法的基本原理和框架，对遗传算法的主要工作流程和操作算子作了整体分析。第二部分结合Ackley函数优化问题，讲解了遗传算法中个体编码方式、适应函数的选取、父体选择策略、杂交算子、变异算子、参数设置以及演化终止条件等的具体实现过程。

 

1.遗传算法的基本原理和框架

      遗传算法(Genetic Algorithm)是基于"适者生存"的一种高度并行、随机和自适应的优化算法，它将问题的求解表示成"染色体"的适者生存过程，通过"染色体"群的一代代不断进化，包括复制、交叉和变异等操作，最终收敛到"最适应环境"的个体，从而求得问题的最优解或满意解。

 

      在遗传算法中，选择、杂交和变异是三个主要操作算子。从图1.1中的算法框架可知，遗传算法的主要操作步骤如下：1.在一定的编码方案下，随机产生一个初始种群(第3行)；2.用相应的解码方法将编码后的个体转换成问题空间的决策变量，并计算初始种群中个体的适应值(第4行)；3.按照个体适应值的大小，从种群中选出适应值较大的一些个体(第6行)；4.由杂交和变异算子对挑选出的个体进行操作，并产生新一代的种群(第7-8行)；5.对新产生的种群进行评估，计算适应值(第9行)；6.反复执行步骤3-5，直至满足收敛判据为止。
      遗传算法是一种通用的优化算法，其编码技术和遗传操作比较简单，优化不受限制性条件的约束，其搜索过程从问题解的一个集合开始，而不是从单个个体开始，具有隐含并行搜索特性，减小了陷入局部极值的可能。遗传算法主要应用在函数优化和组合优化问题中，在生产调度、自动控制、机器学习、图像处理、人工生命和遗传编码等方面也有着广泛应用。

 

2.遗传算法的设计与实现

在设计和实现遗传算法时，必须要考虑以下几个问题：个体编码方式、适应函数、父体选择策略、杂交算子、变异算子、参数设置以及终止条件。本文结合Ackley 函数优化问题，实例讲解了遗传算法的整个设计流程和实现过程，并在最后研究分析了目标函数的维数对遗传算法性能的影响。本算法采用C++实现，使用了C++中的类来表示个体和种群，用容器vector来存储和管理数据。

2.1. 问题实例

    考虑下面的Ackley 函数优化问题，用遗传算法求解该函数的最小值，并分析维数对算法性能的影响。

 

2.2. 个体编码方式

采用实数向量编码。对于n维的目标函数，解的编码表示为 。

2.3. 适应函数

由于该问题是求解最小值问题，因此，不能直接用目标函数作为适应函数，必须要对目标函数做变换，以保证计算出的适应值为正值，并且越好的个体所对应的适应值越大。在此采用了如下的简单变换：

其中， 表示目标函数的上界， 是适应函数。通过对目标函数的分析发现，它的最大值不超过30，因此，取 的值为30。

2.4. 父体选择策略

       父体选择策略采用随机通用采样(Stochastic Universal Sampling)的方法，该方法只用一次随机选择就可确定N 个父体，其实现步骤如下：
(1) 根据个体的适应值计算出每个个体的选择概率，计算公式如下：

其中， 表示第i 个个体的适应值， 表示计算出的第i个个体的选择概率。

 

(2) 计算每个个体被选择的期望个数，计算公式如下：

其中， 表示每个个体被选择的期望个数，N 表示种群的规模。

 

(3) 构造一个轮盘，该轮盘被划分为N 个扇形区域，每个扇形区域的面积分别与个体被选择的期望个数成正比，N 个指针平均分布在轮盘的中轴上(见图2.1)。将轮盘转动一次，当轮盘停止转动后，N 个指针所指向的个体被选中作为父体参与下一代的演化。

 

实现通用随机采样的算法代码如算法2.1 所示。