遗传算法及其在工等相关领域中的应用.ppt

遗传算法及其在化工等相关领域中的应用 遗传算法的基本含义，遗传算法中的基本概念 ，遗传算法的基本步骤 ； 遗传算法的数学原理 ； 遗传算法在化工等相关领域中的应用； 遗传算法面临的问题； 遗传算法的展望。 遗传算法的基本含义 遗传算法（genetic algorithms, GAs） 60年代初由John Holland［1］开创，可以说是对达尔文进化论公式化的表达。 遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应有哪些信誉好的足球投注网站算法。它是由复制、杂交和变异三个算子组成的。 遗传算法的基本概念 适应值（fitness） 复制算子（replication operator） 杂交算子（crossover operator） 变异算子（mutation operator） 适应值（fitness） 适应值反映该个体在群体中的适应程度，即它在群体中能否比其它个体更具生存能力。 它可以是被优化函数的函数值，也可是某回归方程计算值与实验值之间的误差，或是其它自定义的标准。 对一个化工过程，它可以是该过程的产率大小，或是该过程的生产成本。 复制算子（replication operator） 它是从旧代中以一定概率选择个体到新代中的方法，一般是用赌盘选择法： 将群体中所有串的适应值相加求和； 产生一个在0与总和之间的随机数m ； 从群体中编号为1的串开始，使其适应值与后继串的适应值相加，直到累加和等于或大于m，此时的串即为选择复制到新代的个体。 杂交算子（crossover operator） 杂交是两个串互相交换某一对应段中的对应位的值的操作。杂交是遗传算法中一个至关重要的概念。因为杂交能产生适应值更高的新个体，使有哪些信誉好的足球投注网站进入更高一层。 一般常见的交叉方式有：单点交叉，双点交叉，均匀交叉。 变异算子（mutation operator） 变异是对串中某些位进行求反的操作。如第3位变异得串对二进制来说就是简单地将1变为0和0变为1的操作。 要的变异方式有： 等位基因突变(Simple Mutation)； 均匀突变(Uniform Mutation)； 非均匀突变(Non-Uniform Mutation)。 遗传算法的基本步骤 经典的遗传算法的主要步骤是： （1）随机地产生一个由确定长度串组成的初始群体。 （2）对串群体执行下面①、②的迭代过程，直到满足停止准则。①计算群体中每个个体的适应值；②由复制、杂交和变异算子产生下一代群体。 （3）从最终代群体中选出最好个体作为遗传算法的有哪些信誉好的足球投注网站结果 。 遗传算法的数学原理 遗传算法的数学原理主要由模式定理和基因块假设构成。 模式定理认为，某些适应值在群体平均适应值以上的串，在遗传迭代中将按指数增长率被采用。它具体体现遗传算法的复制算子，复制通过使高适应值个体以较高概率出现在新群体中，使群体的平均适应值得到改善。 基因块假设是指，高适应值的某些串能结合形成更好的串，它体现了杂交的基本思想。复制本身不能提高个体的适应值，而杂交可以通过提高个体的适应值使有哪些信誉好的足球投注网站进入更高一层。 遗传算法在化工等相关领域中的应用 多目标优化问题； 分离系统与换热网络同步优化； 复杂非线性公用工程系统的遗传算法最优设计； 化工故障诊断中基于遗传算法优化的 SOM 网络； 应用遗传算法实现精馏分离序列优化综合。 　 其它应用 电力系统中求解配电系统最优网络重构问题； 机器人的优化控制； 计算机辅助设计和计算机辅助教学； 金融系统中网络规划的优化； 社会科学中的应用。 遗传算法面临的问题 事物都是一分为二的 ，GA 也不是完美无缺的 ，它也存在一些不足： GA 群体太小、 编码方式、 交叉率及变异率的选择需进一步研究； GA 的收敛性证明比较困难； 对 GA 的高级算子缺乏开创性研究 ，对控制参数的选择缺乏指导。 遗传算法的展望 GA 是一种非常实用的并行优化算法 ，这是与传统算法最大区别 ，在很多领域都取得了成功，有了比较完整的理论体系 。可以预言 ，GA 如与其他人工智能方法结合将开创 GA 应用的新天地。 * *