异同点 模拟退火 遗传算法 邻域搜索_遗传算法和模拟退火算法

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

。

对于一个求函数最大值的优化问题

(

求函数最小值也类同

)

，

一般可以描

述为下列数学规划模型

:

遗传算法

式中为决策变量，为目标函数式，式

2-2

、

2-3

为约束条件，

U

是基本

空间，

R

是

U

的子集。满足约束条件的解

X

称为可行解，集合

R

表示所有满

足约束条件的解所组成的集合，称为可行解集合。

遗传算法的基本运算过程如下

:

a)

初始化

:

设置进化代数计数器

t=0

，设置最大进化代数

T

，随机生成

M

个个体作为初始群体

P(0)

。

b)

个体评价

:

计算群体

P(t)

中各个个体的适应度。

c)

选择运算

:

将选择算子作用于群体。选择的目的是把优化的个体直接

遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。

选择操作是建

立在群体中个体的适应度评估基础上的。

d)

交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的

部分结构加以替换重组而生成新个体的操作。

遗传算法中起核心作用的就是

交叉算子。

e)

变异运算

:

将变异算子作用于群体。即是对群体中的个体串的某些基

因座上的基因值作变动。

群体

P(t)

经过选择、交叉、变异运算之后得到下一代群体

P(t 1)

。

f)

终止条件判断

:

若

tT,

则以进化过程中所得到的具有最大适应度

个体作为最优解输出，终止计算。

模拟退火算法新解的产生和接受可分为如下四个步骤：

第一步是由一个产生函数

从当前解产生一个位于解空间的新解；为便于后续的计算和接受，减少算法耗时，通