遗传算法及其应用推荐.docVIP

遗传算法及其应用 遗传算法及其应用 摘要：遗传算法是一种通过模拟自然进化过程有哪些信誉好的足球投注网站最优解的方法，提供了一种求解复杂系统问题的通用框架，它的实现具有一般性的流程，不依赖于问题的具体领域，经过不断的发展，目前国内外已经获得了不小的成果，而且应用的领域也越来越宽越来越深。 关键词：遗传算法 发展 实现 应用 1.遗传算法的定义 遗传算法是从代表问题可能潜在的解集的一个种群开始的，而一个种群则由经过基因编码的一定数目的个体组成，每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体，其内部表现是某种基因组合，它决定了个体的形状的外部表现。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化（如二进制编码），初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度大小选择个体，并借助于自然遗传学的遗传算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码，可以作为问题近似最优解。 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。 2.遗传算法的特点 遗传算法是解决有哪些信誉好的足球投注网站问题的一种通用算法，对于各种通用问题都可以使用，有哪些信誉好的足球投注网站算法的共同特征是： 1）首先组成一组候选解。 2）依据某些适应性条件测算这些候选解。 3）根据适应度保留某些候选解，放弃其他候选解。 4）对保留的候选解进行某些操作，生成新的候选解。 在遗传算法中，上述几个特征以一种特殊的方式组合在一起，即基于染色体群的并行有哪些信誉好的足球投注网站，带有猜测性质的选择操作、交换操作和突变操作。这样特殊的组合方式将遗传算法与其它有哪些信誉好的足球投注网站算法区别开来，它还有以下的特点： 1）遗传算法从问题解的串集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求最优解的；容易误入局部最优解。遗传算法从串集开始有哪些信誉好的足球投注网站，覆盖面大，利于全局择优。 2）许多传统有哪些信誉好的足球投注网站算法都是单点有哪些信誉好的足球投注网站算法，容易陷入局部的最优解。遗传算法同时处理群体中的多个个体，即对有哪些信誉好的足球投注网站空间中的多个解进行评估，减少了陷入局部最优解的风险，同时算法本身易于实现并行化。 3）遗传算法基本上不用有哪些信誉好的足球投注网站空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，在此基础上进行遗传操作。适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。这一特点使得遗传算法的应用范围大大扩展。 4）遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导他的有哪些信誉好的足球投注网站方向。 5）具有自组织、自适应和自学习性。遗传算法利用进化过程获得的信息自行组织有哪些信誉好的足球投注网站时，硬度大的个体具有较高的生存概率，并获得更适应环境的基因结构。 3.遗传算法的发展现状 上世纪60年代，美国密植安大学的Holland教授及其学生们受到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统计算优化的自适应概率优化技术-----遗传算法。90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸 索之中。 随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向： 1）基于遗传算法的机器学习。 2）遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合。 3）并行处理的遗传算法的研究十分活跃。 4）遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用。 5）遗传算法和进化规划以及进化策略等进化计算理论日益结合。 3.1 国外遗传算法的发展现状 1991年DWhitey在他的论文中提出了基于领域交叉的交叉算子，这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了TSP问题中，通过实验对其进行了验证。 D.H.Ackley等提出了随即迭代遗传爬山法采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。 H.B