遗传算法基本原理

遗传算法基本原理

1.遗传算法

GA是基于“物竞天择、适者生存”原理的一种高度并行、随机和自适应优化算法，它将问题的求解表示成“染色体"(chromosome)适者生存的进化过程,通过种群(population)的一代代不断进化，通过选择(selection)、交叉(crossover)和变异(mutation)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。

Michalewicz(1994)总结 了GA的五个基本要素:1.编码和解码、2.种群初始设计、3.适应度函数设计、4.遗传算子设计(主要包括选择、交叉、变异等)和5.遗传参数设置(种群规模遗传算子的概率等)，这五个要素构成了GA的核心内容。

2.遗传算法基本框架

一般GA的流程图框图如图所示，步骤如下。

步骤1：设置gen=0,按照一定的初始化方法产生初始种群P（0）。

步骤2：评价种群P(gen),计算种群中各个个体的适应度值。

步骤3：判断是否满足算法的终止条件，若满足则输出优化结果；否则转到步骤4。

步骤4：执行遗传操作，利用选择、交叉和变异算子产生新一代种群P(gen)。

步骤5：转到步骤2，gen=gen+1

 

目前GA有很多种变型或改进，但其基于生物遗传进化的思想实现优化过程的机制没变。区别于传统优化算法，它具有以下特点(王凌20003)

(1) GA对问题参数编码成“染色体”后进行进化操作，而不是针对参数本身,这使得GA不受函数约束条件的限制，如连续性、可导性等;

(2) GA的搜索过程是从问题解的一个群体开始的 ，而不是从单个个体开始的，具有隐含并行搜索特性，在提高了搜索效率的同时极大减小了陷入局部极小的可能;

(3) GA使用的遗传操作均为随机操作,同时GA根据个体的适应度值进行搜索，而无需其他信息，如导数信息等;

(4)GA具有全局搜索能力,善于搜索复杂问题和非线性问题。

GA的优越性(王凌,2003)主要表现在: (1)算法进行全空间并行搜索,并将搜索重点集中于性能高的部分，从而能够提高搜索效率且不易陷人局部极小; (2)算法具有固有的并行性,通过对种群的遗传处理可处理大量的模式，并且容易并行实现。