关于遗传算法的应用研究

龙源期刊网 http://www.qikan.com.cn

关于遗传算法的应用研究

作者：王慕将

来源：《计算机光盘软件与应用》2013年第16期

摘 要：遗传算法指的是Genetic. Algorithms，是一种比较完整的计算方法。文中介绍了遗传算法的原理、方法，以及它存在的问题。另外，从人工生命、图像处理、组合的最优化、自动控制等几个方面分析了遗传算法在各个领域中的应用以及它的发展前景。 关键词：遗传算法；种群；最优化；应用；领域 中图分类号：TP18

适者生存是遗传算法的基本模型，在漫长的岁月中，经过了很多代的交配、变异与不断的重复来得到最优的结果。遗传算法根据这种模型分为了2个部分，编码、解码的过程以及相关的遗传性操作。

1 遗传算法的原理与方法

1.1 编码。编码是指问题的可能解从其解空间中转换到GA能够处理的空间去的转换，而解码则是将GA的解空间转换到问题空间。编码机制不仅会对算法的整体性能造成影响，对于种群的初始化以及遗传算子的设计等过程其决定性作用。二进制编码、Gray编码以及实数编码是最常用的三种编码方案。

1.2 种群的初始化。种群的初始化指的是第一代种群是如何生成的。对于二进制编码机制来说，初始化指的是生成几个二进制数串，而对于实数编码机制来说，初始化就是指生成几个实数数串。

1.3 适应度函数。适应度指的是在群体中个体在优化时所能达到的优良程度。适应度越高，遗传到下一代的开率就越大；相反，适应度越低，遗传到下一代的概率就越小。适应度函数就是衡量这种适应度的函数，它的确定根据是目标函数。不同的适应度函数可以区分出群体中个体的好坏，是评判的标准，也是驱动算法演化的动力。

1.4 选择算子。选择算子是一个新种群产生的过程，一个旧的种群选择一个生命力旺盛的个体进行位串的复制，就可以产生一个新种群。选择的不同直接导致效果的不同。当面临的选择压力较大时，种群中最优秀的个体就会被最大程度的复制，算法的收敛速度也就越快，但“早熟”问题出现的概率也就相应增大。相反的，选择压力较小的话，种群就可以保持多样性，这对于局部最优的出现是有力的，但算法的收敛速度就不够了，效率也非常低。轮盘赌选择、最佳个体保存选择、排序的选择、局部竞争选择以及Boltzmann选择等。