遗传算法是一种模拟生物进化过程的全局优化搜索算法，由J.Holland提出。算法通过个体、群体、染色体和基因等概念，通过选择、交叉和变异等操作进行迭代优化，寻找问题的最优解。此算法适用于复杂问题的求解，如函数优化、机器学习、调度和设计等领域，具有全局搜索、鲁棒性和并行性等特点。
1.基本概念
遗传算法（Genetic Algorithm—GA），是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，它是由美国Michigan大学的J.Holland教授于1975年首先提出的．遗传算法作为一种新的全局优化搜索算法，以其简单通用、鲁棒性强、适于并行处理及应用范围广等显著特点，奠定了它作为21世纪关键智能计算之一的地位。
遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程．它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体．这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代．后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程。
群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解．值得注意的一点是，现在的遗传算法是受生物进化论学说的启发提出的，这种学说对我们用计算机解决复杂问题很有用，而它本身是否完全正确并不重要（目前生物界对此学说尚有争议）。
| 序号 | 遗传学概念 | 遗传算法概念 | 数学概念 |
| 1 | 个体 | 要处理的基本对象、结构 | 也就是可行解 |
| 2 | 群体 | 个体的集合 | 被选定的一组可行解 |
| 3 | 染色体 | 个体的表现形式 | 可行解的编码 |
| 4 | 基因 | 染色体中的元素 | 编码中的元素 |
| 5 | 基因位 | 某一基因在染色体中的位置 | 元素在编码中的位置 |
| 6 | 适应值 | 个体对于环境的适应程度，或在环境压力下的生存能力 | 可行解所对应的适应函数值 |
| 7 | 种群 | 被选定的一组染色体或个体 | 根据入选概率定出的一组可行解 |
| 8 | 选择 | 从群体中选择优胜的个体，淘汰劣质个体的操作 | 保留或复制适应值大的可行解，去掉小的可行解 |
| 9 | 交叉 | 一组染色体上对应基因段的交换 | 根据交叉原则产生的一组新解 |
| 10 | 交叉概率 | 染色体对应基因段交换的概率（可能性大小） | 闭区间[0,1]上的一个值，一般为0.65~0.90 |
| 11 | 变异 | 染色体水平上基因变化 | 编码的某些元素被改变 |
| 12 | 变异概率 | 染色体上基因变化的概率（可能性大小） | 开区间(0,1)内的一个值, 一般为0.001~0.01 |
| 13 | 进化、 适者生存 | 个体进行优胜劣汰的进化，一代又一代地优化 | 目标函数取到最大值，最优的可行解 |
个体与种群
● 个体就是模拟生物个体而对问题中的对象 （一般就是问题的解）的一种称呼，一个个体也就是搜索空间中的一个点。
● 种群(population)就是模拟生物种群而由若干个体组成的群体, 它一般是整个搜索空间的一个很小的子集。
适应度与适应度函数
● 适应度(fitness)就是借鉴生物个体对环境的适应程度,而对问题中的个体对象所设计的表征其优劣的一种测度。
● 适应度函数(fitness function)就是问题中的全体个体与其适应度之间的一个对应关系。它一般是一个实值函数。该函数就是遗传算法中指导搜索的评价函数。
染色体与基因
染色体（chromosome）就是问题中个体的某种字符串形式的编码表示。字符串中的字符也就称为基因（gene）。
例如：
个体 染色体
9 ---- 1001
（2，5，6）---- 010 101 110
遗传操作
亦称遗传算子(genetic operator)，就是关于染色体的运算。遗传算法中有三种遗传操作:
● 选择-复制(selection-reproduction)
● 交叉(crossover，亦称交换、交配或杂交)
● 变异(mutation，亦称突变)
选择-复制 通常做法是：对于一个规模为N的种群S,按每个染色体xi∈S的选择概率P(xi)所决定的选中机会, 分N次从S中随机选定N个染色体, 并进行复制。
这里的选择概率P(xi)的计算公式为
交叉 就是互换两个染色体某些位上的基因。
例如, 设染色体 s1=01001011, s2=10010101, 交换其后4位基因, 即
s1′=01000101, s2′=10011011可以看做是原染色体s1和s2的子代染色体。
变异 就是改变染色体某个(些)位上的基因.
例如, 设染色体 s=11001101将其第三位上的0变为1, 即
s=11001101 →11101101= s′。
s′也可以看做是原染色体s的子代染色体。
2.基本遗传算法
遗传算法基本流程框图
算法中的一些控制参数：
■ 种群规模
■ 最大换代数
■ 交叉率(crossover rate)就是参加交叉运算的染色体个数占全体染色体总数的比例，记为Pc,取值范围一般为0.4～0.99。
■ 变异率(mutation rate)是指发生变异的基因位数所占全体染色体的基因总位数的比例，记为Pm，取值范围一般为0.0001～0.1。
基本遗传算法
步1 在搜索空间U上定义一个适应度函数f(x)，给定种群规模N，交叉率Pc和变异率Pm，代数T；
步2 随机产生U中的N个个体s1, s2, …, sN，组成初始种群S={s1, s2, …, sN}，置代数计数器t=1；
步3 计算S中每个个体的适应度f() ；
步4 若终止条件满足，则取S中适应度最大的个体作为所求结果，算法结束。
步5 按选择概率P(xi)所决定的选中机会，每次从S中随机选定1个个体并将其染色体复制，共做N次，然后将复制所得的N个染色体组成群体S1；
步6 按交叉率Pc所决定的参加交叉的染色体数c，从S1中随机确定c个染色体，配对进行交叉操作，并用产生的新染色体代替原染色体，得群体S2；
步7 按变异率Pm所决定的变异次数m，从S2中随机确定m个染色体，分别进行变异操作，并用产生的新染色体代替原染色体，得群体S3；
步8 将群体S3作为新一代种群，即用S3代替S，t = t+1，转步3；
3.应用举例
例、利用遗传算法求解区间［0,31］上的二次函数y=x2的最大值。
分析 原问题可转化为在区间［0, 31］中搜索能使y取最大值的点a的问题。那么，［0, 31］ 中的点x就是个体, 函数值f(x)恰好就可以作为x的适应度，区间［0, 31］就是一个(解)空间 。这样, 只要能给出个体x的适当染色体编码, 该问题就可以用遗传算法来解决。
解
(1) 设定种群规模,编码染色体，产生初始种群。
将种群规模设定为4；用5位二进制数编码染色体；取下列个体组成初始种群S1:
s1= 13 (01101), s2= 24 (11000)
s3= 8 (01000), s4= 19 (10011)
(2) 定义适应度函数,
取适应度函数：f (x)=x2
(3) 计算各代种群中的各个体的适应度, 并对其染色体进行遗传操作,直到适应度最高的个体(即31（11111）)出现为止。
首先计算种群S1中各个体
s1= 13(01101), s2= 24(11000)
s3= 8(01000), s4= 19(10011)
的适应度f (si) 。
容易求得
f (s1) = f(13) = 132 = 169
f (s2) = f(24) = 242 = 576
f (s3) = f(8) = 82 = 64
f (s4) = f(19) = 192 = 361
再计算种群S1中各个体的选择概率。
选择概率的计算公式为
由此可求得
P(s1) = P(13) = 0.14
P(s2) = P(24) = 0.49
P(s3) = P(8) = 0.06
P(s4) = P(19) = 0.31
在算法中赌轮选择法可用下面的子过程来模拟:
① 在［0, 1］区间内产生一个均匀分布的随机数r。
② 若r≤q1,则染色体x1被选中。
③ 若qk-1<r≤qk(2≤k≤N), 则染色体xk被选中。 其中的qi称为染色体xi (i=1, 2, …, n)的积累概率, 其计算公式为
选择-复制
设从区间［0, 1］中产生4个随机数如下:
r1 = 0.450126, r2 = 0.110347
r3 = 0.572496, r4 = 0.98503
| 染色体 | 适应度 | 选择概率 | 积累概率 | 选中次数 |
| s1=01101 | 169 | 0.14 | 0.14 | 1 |
| s2=11000 | 576 | 0.49 | 0.63 | 2 |
| s3=01000 | 64 | 0.06 | 0.69 | 0 |
| s4=10011 | 361 | 0.31 | 1.00 | 1 |
于是，经复制得群体：
s1’ =11000（24）, s2’ =01101（13）
s3’ =11000（24）, s4’ =10011（19）
交叉
设交叉率pc=100%，即S1中的全体染色体都参加交叉运算。
设s1’与s2’配对，s3’与s4’配对。分别交换后两位基因，得新染色体：
s1’’=11001（25）, s2’’=01100（12）
s3’’=11011（27）, s4’’=10000（16）
变异
设变异率pm=0.001。
这样，群体S1中共有
5×4×0.001=0.02
位基因可以变异。
0.02位显然不足1位，所以本轮遗传操作不做变异。
于是，得到第二代种群S2：
s1=11001（25）, s2=01100（12）
s3=11011（27）, s4=10000（16）
第二代种群S2中各染色体的情况
| 染色体 | 适应度 | 选择概率 | 积累概率 | 估计的 选中次数 |
| s1=11001 | 625 | 0.36 | 0.36 | 1 |
| s2=01100 | 144 | 0.08 | 0.44 | 0 |
| s3=11011 | 729 | 0.41 | 0.85 | 2 |
| s4=10000 | 256 | 0.15 | 1.00 | 1 |
假设这一轮选择-复制操作中，种群S2中的
4个染色体都被选中，则得到群体：
s1’=11001（25）, s2’= 01100（12）
s3’=11011（27）, s4’= 10000（16）
做交叉运算，让s1’与s2’，s3’与s4’ 分别交换后三位基因，得
s1’’ =11100（28）, s2’’ = 01001（9）
s3’’ =11000（24）, s4’’ = 10011（19）
这一轮仍然不会发生变异。
于是，得第三代种群S3：
s1=11100（28）, s2=01001（9）
s3=11000（24）, s4=10011（19）
第三代种群S3中各染色体的情况
| 染色体 | 适应度 | 选择概率 | 积累概率 | 估计的 选中次数 |
| s1=11100 | 784 | 0.44 | 0.44 | 2 |
| s2=01001 | 81 | 0.04 | 0.48 | 0 |
| s3=11000 | 576 | 0.32 | 0.80 | 1 |
| s4=10011 | 361 | 0.20 | 1.00 | 1 |
设这一轮的选择-复制结果为：
s1’=11100（28）, s2’=11100（28）
s3’=11000（24）, s4’=10011（19）
做交叉运算，让s1’与s4’，s2’与s3’ 分别交换后两位基因，得
s1’’=11111（31）, s2’’=11100（28）
s3’’=11000（24）, s4’’=10000（16）
这一轮仍然不会发生变异。
于是，得第四代种群S4：
s1=11111（31）, s2=11100（28）
s3=11000（24）, s4=10000（16）
显然，在这一代种群中已经出现了适应度最高的染色体s1=11111。于是，遗传操作终止，将染色体“11111”作为最终结果输出。
然后，将染色体“11111”解码为表现型，即得所求的最优解：31。
将31代入函数y=x2中，即得原问题的解，即函数y=x2的最大值为961。
4.遗传算法的特点与优势
◆遗传算法的主要特点
—遗传算法一般是直接在解空间搜索, 而不像图搜索那样一般是在问题空间搜索, 最后才找到解。
—遗传算法的搜索随机地始于搜索空间的一个点集, 而不像图搜索那样固定地始于搜索空间的初始节点或终止节点, 所以遗传算法是一种随机搜索算法。
—遗传算法总是在寻找优解, 而不像图搜索那样并非总是要求优解, 而一般是设法尽快找到解, 所以遗传算法又是一种优化搜索算法。
—遗传算法的搜索过程是从空间的一个点集(种群)到另一个点集(种群)的搜索,而不像图搜索那样一般是从空间的一个点到另一个点地搜索。 因而它实际是一种并行搜索, 适合大规模并行计算,而且这种种群到种群的搜索有能力跳出局部最优解。
—遗传算法的适应性强, 除需知适应度函数外, 几乎不需要其他的先验知识。
—遗传算法长于全局搜索, 它不受搜索空间的限制性假设的约束,不要求连续性, 能以很大的概率从离散的、多极值的、 含有噪声的高维问题中找到全局最优解。
◆遗传算法的应用
扫一扫
3485
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
