浅析遗传算法

浅析遗传算法

 

一、遗传算法的基本概念

遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行操作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。

 

二、遗传算法的步骤和意义

1、初始化

选择一个群体，即选择一个串或个体的集合bi，i=1，2，...n。这个初始的群体也就是问题假设解的集合。一般取n＝30-160。通常以随机方法产生串或个体的集合bi，i＝1，2，...n。问题的最优解将通过这些初始假设解进化而求出。

2、选择

根据适者生存原则选择下一代的个体。在选择时，以适应度为选择原则。适应度准则体现了适者生存，不适应者淘汰的自然法则。

3、交叉

对于选中用于繁殖下一代的个体，随机地选择两个个体的相同位置，按交叉概率P。在选中的位置实行交换。这个过程反映了随机信息交换；目的在于产生新的基因组合，也即产生新的个体。交叉时，可实行单点交叉或多点交叉。

4、变异

根据生物遗传中基因变异的原理，以变异概率Pm对某些个体的某些位执行变异。在变异时，对执行变异的串的对应位求反，即把1变为0，把0变为1。变异概率Pm与生物变异极小的情况一致，所以，Pm的取值较小，一般取0.01-0.2。

单靠变异不能在求解中得到好处。但是，它能保证算法过程不会产生无法进化的单一群体。因为在所有的个体一样时，交叉是无法产生新的个体的，这时只能靠变异产生新的个体。也就是说，变异增加了全局优化的特质。

5、全局最优收敛

当最优个体的适应度达到给定的阀值，或者最优个体的适应度和群体适应度不再上升时，则算法的迭代过程收敛、算法结束。否则，用经过选择、交叉、变异所得到的新一代群体取代上一代群体，并返回到第2步即选择操作处继续循环执行。

三、遗传算法的主要特点：
1、 遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际植本身，而遗传算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便的应用遗传操作算子。
2、 遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。
3、 遗传算法使用多个点的搜索信息，具有隐含并行性。
4、 遗传算法使用概率搜索技术，而非确定性规则。

 

四、遗传算法的缺点： 

 1、遗传算法的编程实现比较复杂,首先需要对问题进行编码,找到最优解之后还需要对问题进行解码,

 2、另外三个算子的实现也有许多参数,如交叉率和变异率,并且这些参数的选择严重影响解的品质,而目前这些参数的选择大部分是依靠经验.
 3、没有能够及时利用网络的反馈信息,故算法的搜索速度比较慢，要得要较精确的解需要较多的训练时间。
 4、算法对初始种群的选择有一定的依赖性，能够结合一些启发算法进行改进。

 5、算法的并行机制的潜在能力没有得到充分的利用。

 

五、遗传算法的应用领域
1、优化：遗传算法可用于各种优化问题。既包括数量优化问题，也包括组合优化问题。
2、程序设计：遗传算法可以用于某些特殊任务的计算机程序设计，如元胞计算机。
3、机器学习：遗传算法可用于许多机器学习的应用，包括分类问题和预测问题等，如预测天气或预测蛋白质的结构。

4、经济学：应用遗传算法对经济创新的过程建立模型，可以研究投标的策略，还可以建立市场竞争的模型。
5、免疫系统：应用遗传算法可以对自然界中免疫系统的多个方面建立模型，研究个体的生命过程中的突变现象以及发掘进化过程中的基因资源。
6、生态学：遗传算法可以应用于对生态学的一些现象进行建模，包括生物间的生存竞争，宿主—寄生物的共同进化，共生现象，甚至包括生物学“军备竞赛”。
7、进化现象和学习现象：遗传算法可以用来研究个体是如何学习生存技巧的，一个物种的进化对其他物种会产生何种影响等等。
8、社会经济问题：遗传算法可以用来研究社会系统中的各种演化现象，例如在一个多主体系统中，协作与交流的是如何演化出来的。

六、一个简单的遗传算法实例

求函数f(x1,x2)=100*(x1*x1-x2)^2+(1-x1)^2 ；-2.0480<=x1,x2<=2.0480的最大值。

 

clc;clear all;

format long;%设定数据显示格式

%初始化参数

T=100;%仿真代数

N=80;% 群体规模

pm=0.05;pc=0.8;%交叉变异概率

umax=2.048;umin=-2.048;%参数取值范围

L=10;%单个参数字串长度，总编码长度2L

bval=round(rand(N,2*L));%初始种群

bestv=-inf;%最优适应度初值

%迭代开始

for ii=1:T

%解码，计算适应度

for i=1:N

        y1=0;y2=0;

       for j=1:1:L

          y1=y1+bval(i,L-j+1)*2^(j-1);

       end

       x1=(umax-umin)*y1/(2^L-1)+umin;

       for j=1:1:L

          y2=y2+bval(i,2*L-j+1)*2^(j-1);

       end

       x2=(umax-umin)*y2/(2^L-1)+umin;

       obj(i)=100*(x1*x1-x2).^2+(1-x1).^2; %目标函数

       xx(i,:)=[x1,x2];

    end

func=obj;%目标函数转换为适应度函数

p=func./sum(func);

q=cumsum(p);%累加

[fmax,indmax]=max(func);%求当代最佳个体

   if fmax>=bestv

     bestv=fmax;%到目前为止最优适应度值

     bvalxx=bval(indmax,:);%到目前为止最佳位串

     optxx=xx(indmax,:);%到目前为止最优参数

   end  

   Bfit1(ii)=bestv; % 存储每代的最优适应度

%遗传操作开始

%轮盘赌选择

 for i=1:(N-1)

    r=rand;

    tmp=find(r<=q);

    newbval(i,:)=bval(tmp(1),:);

 end

  newbval(N,:)=bvalxx;%最优保留

  bval=newbval;

%单点交叉

for i=1:2:(N-1)

   cc=rand;

   if cc<pc

      point=ceil(rand*(2*L-1));%取得一个1到2L-1的整数

      ch=bval(i,:);

      bval(i,point+1:2*L)=bval(i+1,point+1:2*L);

      bval(i+1,point+1:2*L)=ch(1,point+1:2*L);

    end

end  

bval(N,:)=bvalxx;%最优保留

%位点变异

mm=rand(N,2*L)<pm;

mm(N,:)=zeros(1,2*L);%最后一行不变异，强制赋0

bval(mm)=1-bval(mm);

end

%输出

plot(Bfit1);% 绘制最优适应度进化曲线

bestv   %输出最优适应度值

optxx    %输出最优参数