遗传算法

一、遗传算法简介

1.实现

在计算机上模拟生物的进化过程和基因的操作（选择、 交叉、变异）。

2.目的

（1）抽象和严谨地解释自然界的适应过程；
（2）将自然生物系统的重要机理运用到人工系统的设计中。

3.遗传算法概述

遗传算法的基本思想是从初始种群出发，采用优胜劣汰、 适者生存的自然法则选择个体，并通过杂交、变异来产生新 一代种群，如此逐代进化，直到满足目标为止。遗传算法所 涉及到的基本概念主要有以下几个：
• 种群（Population）：种群是指用遗传算法求解问题时， 初始给定的多个解的集合。遗传算法的求解过程是从这个子 集开始的。

•个体（Individual）：个体是指种群中的单个元素，它通常 由一个用于描述其基本遗传结构的数据结构来表示。例如， 可以用0、1组成的长度为l的串来表示个体。

• 染色体（Chromosome）：染色体是指对个体进行编码后 所得到的编码串。染色体中的每1位称为基因，染色体上由 若干个基因构成的一个有效信息段称为基因组。

• 适应度（Fitness）函数：适应度函数是一种用来对种群中 各个个体的环境适应性进行度量的函数。其函数值是遗传 算法实现优胜劣汰的主要依据

• 遗传操作（Genetic Operator）：遗传操作是指作用于种 群而产生新的种群的操作。标准的遗传操作包括以下3种基本形式：
– 选择（Selection）
– 杂交（Crosssover）
– 变异（Mutation）

二、基本遗传算法

1.编码表示

常用的遗传编码算法有二进制码、实数编码。

(1)二进制编码（Binary encoding）

二进制编码是将原问题的结构变换为染色体的位串结构。在 二进制编码中，首先要确定二进制字符串的长度l，该长度与 变量的定义域和所求问题的计算精度有关。

例 假设变量x的定义域为[4，10]，要求的计算精度为10-5， 则需要将[4，10]至少分为600000个等长小区间，每个小区间 用一个二进制串表示。于是，串长至少等于20，原因是： 524288=219<600000<220=1048576 这样，对应于区间[4，10]内满足精度要求的每个值x，都可用 一个20位编码的二进制串<b19,b18,…,b0>来表示。

(2) 实数编码（Real encoding）

实数编码是将每个个体的染色体都用某一范围的一个实 数（浮点数）来表示，其编码长度等于该问题变量的个数。

这种编码方法是将问题的解空间映射到实数空间上，然 后在实数空间上进行遗传操作。由于实数编码使用的是变量 的真实值，因此这种编码方法也叫做真值编码方法。实数编码适应于那种多维、高精度要求的连续函数优化 问题。

2.适应性的度量

个体的适应值即是它繁殖的能力，它将直接 关系到其后代的数量，在遗传算法中，适应 函数是用来区分群体中个体好坏的标准，是 算法演化过程的驱动力，同时也是进行自然 选择的唯一依据。
适应函数
适应值会出现两种情形，一是极小情形即原始适 应值越小个体性能越好；另一种是极大化情形即 原始适应值越大个体性能越好 。
遗传算法中的某些选择策略则要求适应函数是非 负的，而且适应值越大表明个体的性能越好。
对于极小化情形，标准适应值可定义为 ：

3.选择策略

不同的选择策略将导致不同的选择压力，即下一代 中父代个体的复制数目的不同分配关系。

转盘式选择 (轮赌)
转盘式选择是基于适应值比例的选择中比较重要 的选择策略。 l 先计算个体的相对适应值
根据选择概率pi把一个圆盘分成N份

从统计角度看，个体 的适应度值越大，其对 应的扇区的面积越大， 被选中的可能性也越大。这种方法有点类似于发 放奖品使用的轮盘，并 带有某种赌博的意思，因此亦被称为轮盘赌选择。
遗传算子的设计

4.遗传算子的设计

（1）杂交算子

杂交运算是指对两个相互配对的染色体按某种 方式相互交换其部分基因，从而形成两个新的 个体。
① 单点杂交：称为简单杂交，它是指在个体编码 串中只随机设计一个杂交点，然后在该点相互 交换两个配对个体的部分染色体。
② 双点杂交与多点杂交 • 双点杂交是指在个体编码串中设置了二个杂交点， 然后再进行部分基因交换。
③ 均匀杂交 l 均匀杂交是指两个配对个体每一个基因座上的基 因都以相同的杂交概率进行交换，从而形成两个 新的个体。 l 均匀杂交实际上可归属于多点杂交的范围 .

（2）变异算子

变异运算是指将个体染色体编码串中的某些基 因座上的基因值用该基因座的其它等为基因来 替换，从而形成一个新的个体。
遗传算法中使用变异算子主要有以下两个目的： 1）改善遗传算法的局部搜索能力。 2）维持群体的多样性，防止出现早熟现象。
①基本位变异
对个体的每一个基因座，依变异概率Pm指定其为变异点。
对每一个指定的变异点，对其基因值做取反运算 或用其他等位基因值来代替，从而产生出一个新 的个体。
②均匀变异
• 依次指定个体编码串中的每个基因座为变异点。
• 对每一个变异点，以变异概率Pm从对应基因的取值范围内取一随机数来替代原有基因值。

三、函数优化