从一元函数极值问题理解遗传算法

一、前言

  对于求取一元函数y = f(x)的极值问题，我们可以利用暴力的手段，通过细分自变量x的定义域区间，不断带入函数表达式中比较结果得到近似的最优解。这样的方法最大的好处就是简单，但是随之带来的问题就是收敛速度极大地受区间细分程度的影响。那么遗传算法是如何解决这个问题的呢？以下是从这个问题出发，我对遗传算法的一些理解。

二、遗传算法思想

  在自然界中存在“物竞天择，优胜劣汰”的自然法则，各个物种总是倾向于留存自己优良的基因，而遗传算法正是借鉴这种思想，将一个最优解求取的问题抽象化为一个种群的演变过程，其中涉及到种群、个体、染色体和基因等概念，并针对不同问题将其实例化，完成对可行解的生成、比较、挑选和淘汰，从而得到最优解。

三、遗传算法组成

  下表是我理解的生物遗传与遗传算法的概念对比：

生物遗传概念	遗传算法概念
个体	可行解
染色体	可行解的编码
基因	可行解的编码各分量
种群	可行解的集合
最强个体	最优解
婚配	编码某些分量的交叉操作
变异	编码某些分量的偶发变化
适应性	对可行解的评价结果

3.1 编码与染色体

  在上表的基础上，针对遗传算法在一元函数 $y=x+10sin(5x)+7cos(4x)在区间x\in [0,9]$上的极值及极值点求解问题，作如下阐述：
  假设我们想要得到的极值点x坐标的精度为小数点后4位，对于定义域 $x\in [0,9]$，我们需要将其细分为 $(9-0)\ast 10^4=90000$份，那么可行解就在这90000份中。我们知道 $2^{16}<90000<2^{17}$，所以要想用二进制数表示所有的可行解，我们需要至少需要17bits。而这一个17bits的数，就是我们对可行解的编码，每1bit就是我们假设的单个基因，一个完整的编码就看作是由这17个基因构成的一条染色体（chromosome）。当然，编码的形式不仅限于二进制数，还可以直接采用格雷码、实数编码等方式。
  如何将完成可行解与编码之间的相互转换呢？假设 $y=f(x)，x\in [a,b]$，chr_x为x对应的n位二进制数编码，对于chr_x与x之间，有如下一般化解码关系：
$$x=a+DEC(chr\_x)\ast \frac{a-b}{2^n-1}\text{\hspace{1em}(1)}$$
  其中 $DEC()$ 为将二进制数转为十进制数的函数
  对于本问题而言，解码关系为：
$$x=0+DEC(chr\_x)\ast \frac{9-0}{2^{17}-1}\text{\hspace{1em}(2)}$$

3.2 个体与种群

  自然界中大多数生物具有多条染色体，而对于一元函数$f(x)$的极值问题而言，单个个体（可行解）仅含有一条染色体（$x$的编码），进一步，若要求一个空间平面的极值，也就是二元函数$f(x,y)$的极值问题，则单个个体包含两条染色体（$x$的编码和 $y$ 的编码）。若干个体的集合组成了一个种群，其含义为解空间的一个子空间，对于一元函数极值问题而言，就是定义域中的某个点集。

3.3 适应性与适应性函数

  在自然界中，一个物种是否能够繁荣却决于其对环境的适应能力。在遗传算法中，我们用适应性函数评价一个解的优劣，在函数极值问题中，适应性函数就是待求解函数表达式，解对应的函数值越大，则适应性越高，反映解的质量越好。一个问题的求解快慢和好坏，与适应性函数的选取有很大关系。

3.4 遗传与进化

  生物繁衍的本质是基因的传递，也就是所谓的遗传过程。要想本物种能够长久地生存下去，生物不得不发生进化，而所谓的进化过程，就是在种群中淘汰掉适应性差的个体，筛选出优秀的个体，在这些优秀的个体之间进行婚配，使得彼此的优质基因进行重组，甚至利用偶发的变异来产生更加优秀的基因。在遗传算法中，我们通过下面的方法使得 解 能够“进化”：

• 【1】选择
    通过对比当前代种群中各个体（可行解）按照适应性高低，利用适当的选取方式，比如轮盘赌、精英机制等，挑选出优胜的个体作为父母本体；
• 【2】交叉
    将【1】中得到的父母本的染色体（可行解的子变量）上的基因（编码的分量）进行按照一定概率发生部分交换，比如单点交换、多点交换等，从而产生新一代个体（新的可行解）；
• 【3】变异
    在【2】的基础上，按照一定概率在某些新一代个体的染色体基因上发生突变，比如单点按位取反等方式，从而产生变异的新一代个体（新的可行解）。不过通常变异得到的个体出现适应性很高的可能性极小，因此设置变异的概率是远小于交叉的设定概率的，这一点与自然界中的生物进化是类似的。

3.5 遗传算法的一般步骤

四、MATLAB实现一元函数极值的遗传算法求解

  参考程序 matlab_ga，求解
$$y=x+10sin(5x)+7cos(4x)\text{\hspace{1em}(3)}$$
  在区间$x\in [0,9]$上的极值。

4.1 初始参数定义说明

  一个问题的求解理解为一个种群不断进化的过程，开始进化前，各初始参数定义如下：

参数名	初始值	含义
$population\_size$	100	种群中单代所含个体数，即一次迭代所含可行解个数
$chromosome\_size$	17	一条染色体上所含基因数，即单个可行解的编码长度
$generation\_size$	200	种群繁衍代数，即迭代代数
$cross\_rate$	0.6	交叉率，即编码发生交叉互换的概率