读书报告-遗传算法.docVIP

读书报告-遗传算法 遗传算法读书报告 遗传算法读书报告 遗传算法是基于生物进化思想的一种优化方法，因此遗传算法与数学规划类优化方法在原理、实现手段等方面有着明显的差别。 一、基本概念及遗传算法简介 1、基本概念 （1）个体 个体是遗传算法中用来模拟生物染色体的一定数目的二进制位串，该二进制位串用来表示优化问题的设计点。 （2）群体 群体是由一定数量的个体组成的集合。 （3）基因模式 基因模式是指二进制位串表示的个体中，某一或某些位置上具有相似性的个体组成的集合。 （4）模式阶次 模式阶次是指基因模式中包含相似位置的数目。 （5）模式定义长度 模式定义长度是基因模式中相似位间相距的最大距离。 （6）适应度 适应度是以数值方式来描述个体优劣程度的指标。 （7）平均适应度 平均适应度是若干个个体的适应度值的算是平均值。 （8）繁殖 繁殖是由一代群体繁衍产生另外一代群体的方式总称。 （9）选择 选择算子是指在上一代群体中按照某些指标挑选参与繁殖下一代群体的一定数量的个体。 （10）杂交 杂交算子是指对于优选后的父代个体进行基因模式的重组而产生后代个体的繁衍机制。 （11）一点杂交 一点杂交是指在代表个体的二进制位串中选择一截断位，将截断位前后的二进制位串互相交换产生后代个体的方式。 （12）两点杂交 两点杂交是指在代表个体的二进制位串中选择两个截断位，将两个截断位间的二进制位串互相交换产生后代个体的方式。 （13）突变 突变算子是指模拟生物在自然的遗传进化环境中由于各种偶然因素引起的基因模式突然改变的个体繁殖方式。 2、遗传算法简介 1）遗传算法主要包括以下内容： （1）构造适应度函数 （2）群体的初始化 （3）后代群体的繁殖 （4）群体进化收敛判断 （5）最优个体转化为优化解 在优化设计中，设计变量、目标函数、约束 条件是优化模型的三个要素。一般可以利用编码 技术对设计变量进行编码，将设计变量转化为适 使其蕴含于遗传(转 载 于:wWW.xIElw.COM 写论文网:读书报告-遗传算法)算法的适应度函数。这样，在群数。当群体进化结束后，目标函数数值最小，这样，优化模型可以利用遗传算法来求解。 2）利用遗传算法求解该优化问题的主要过程如下： （1）构造适应度函数 图1遗传算法流程图 取5位二进制数串，这样既满足了优化问题对于设计变量的约束，有实现了对设计变量x1的编码。 （2）群体初始化 值得注意的是，为方便手工计算，群体规模数取的很小，在实际计算的时候群体规模数应该选取较大值。 （3）后代群体的繁殖 在后代群体的繁殖过程中，一般要进行个体的选择、杂交、突变等。 （4）群体进化收敛性判别 给出适应度变化许可精度，计算前后两代群体平均适应度变化率，如平均适应度变化率小于许可精度，那么说明群体进化过程基本稳定、群体进化收敛，则可结束群体的进化过程；否则仍需继续群体的繁殖过程。 （5）最优个体转化为最优解 在最后一代群体中选择最优个体，对最优个体进行转化，就可得出优化问题的最优解和目标函数。 二、遗传算法的基本原理 1、适应度函数的建立 适应度是遗传算法中描述个体性能的主要指标。一般的个体适应度值越大，个体的性能越好；反之，个体的适应度值越小，个体性能也越差。在遗传算法中，适应度的值是必须大于等于0的值。由于遗传算法是依据适应度的值对个体性优胜劣汰的，因此，将无约束化问题的目标函数与个体的适应度建立映射关系，即可在群体的进化过程中实现对优化问题目标函数的寻优。 将目标函数转换为适应度函数，一般需要遵循如下两个基本原则。 （1）适应度值必须大于等于0 （2）优化过程中目标函数的变化方向（如向目标函数最大值或者是最小值变化）应与群体进化过程中适应度函数变化方向一致。 对于最小值优化问题，可通过下式来建立与目标函数存在映射关系的适应度函数。 F(x)?C?f(x) 式中：F(x)—适应度函数 C—一个可调函数，其取值应该使适应度函数F(x)恒大于等于0 (2-1) f(x)—最小值优化问题的目标函数。 为确保适应度函数F(x)不小于0，一般常采用下式建立适应度函数。 ?Cmax?f(x) 当f(x)Cmax时 F(x)???0 当f(x)?Cmax时 式中： Cmax—一个可调参数，可取目标函数理论上的最大值。 2、设计变量与个体间的映射 设计变量与个体之间的映射可以通过编码来实现。编码方法一般应遵循位串定义长度最短、模式阶次最高、模式数目最大等原则。 常用的编码有两种方法，一种是二进制编码，另外一种是k进制编码。假设二进制编码的位数为t，k进制编码的位数为j，则t与j有如下的关系： 2t?kj 3、群体初始化 群体的初始化一般包括如下内容。 （1）确定群体数目m，群体规模数一般在50以上; （2）对优化问题的初始解x0??x1,x2,???,