遗传算法 (3)【精品毕业设计】(完整版)Word格式.docx
《遗传算法 (3)【精品毕业设计】(完整版)Word格式.docx》由会员分享,可在线阅读,更多相关《遗传算法 (3)【精品毕业设计】(完整版)Word格式.docx(60页珍藏版)》请在冰豆网上搜索。
遗传算法的现状 8
1.6
现阶段存在的问题和技术关键 9
1.7
本文的主要内容和研究目标 10
1.7.1
主要内容 11
1.7.2
研究目的 11
第二章
遗传算法的理论基础、基本框架和运行参数
2.1
理论基础 10
2.1.1
模式定理 10
2.1.2
积木块假设 10
2.1.3
收敛性定理 10
2.2
遗传算法的基本框架
...............................11
--3--
2.2.1
编码 11
2.2.2
初始种群的生成
.................................13
2.2.3
适应度函数
.....................................14
2.2.4
遗传操作 .-10-
2.2.5
终止条件判断 18
2.3
其它运行参数 18
第三章
遗传算法求复杂函数极值问题
3.1
本例的求解步骤 20
3.2
运行结果验证 22
第四章结论...........................................
33
参考文献
.............................................
34
致谢.................................................
35
附录
程序 36
文献综述 41
翻译(中文) 44
(英文) 49
基于遗传算法的复杂函数极值搜索
遗传算法是近年来迅速发展起来的一种全新的随机搜索与优化算法,其基本思想基
于Darwin的进化论和Mendel的遗传学。
由于它简单易行、鲁棒性强,应用范围极为广泛,
并且已在众多领域得到了实际应用,引起了广大学者和工程人员的关注。
本文首先介绍遗传算法的历史背景,基本思想,同时介绍了遗传算法的特点,应用、
发展前景和现阶段存在的技术问题。
对遗传算法的常见编码方式进行了深入的阐述,并对
算子的选择方法进行了深入分析和对比,在此基础上应用于求解复杂函数的极值计算。
最
后在
MATLAB语言环境下编写程序,对求解函数最大值进行了仿真,并对调试的结果进行
了分析,得出了部分结论。
关键词:
遗传算法
最优解
算子选择
复杂函数
--9--
UsingGeneticAlgorithmtoSearchExtreme
OfComplexFunction
Abstract
GeneticAlgorithmisanewrandomsearchandoptimizationalgorithmand
hasarapiddevelopmentinrecentyears,thebasicideaofthetheoryisDarwinand
Mendel’sgenetic.
Itissimple,robustandeasytoimplement.
Ithasbeenusedin
manyfields.Forthesereasonsnowtheyarethehotresearchfieldwhichhasgot
manyscholars’attention.
Firstly,thehistoricalbackgroundandbasicideaofgeneticalgorithmare
introducedinthispaper.Inthemeantime,thegeneticalgorithm’scharacteristics,
application、thedevelopmentdirectionandtheexistingtechnicalproblemsalso
introduced.Thecommoncodinganddecodingmethodofgeneticalgorithmare
discussedeither.
Secondly,theselectionmethodofgeneticoperatorisanalyzedandcompared
deeply,basedonwhichgeneticalgorithmisusedtosolveextremeproblemof
complexfunction.
maximumissoughtout.Attheendofthepaper,thedebuggingresultisanalyzed
Finally,
with
MATLAB
software,
the
program
compiled
and
is
andtheconclusionisgiven.
Keywords:
GeneticAlgorithmOptimalSolutionOperatorSelection
ComplexFunction
遗传算法简介
生物在自然界中的生存繁衍,显示出了其对自然环境的自适应能力。
生物的进化过程
主要是通过染色体之间的交叉和变异来完成的。
它通过选择淘汰,突然变异,基因遗传等
规律产生适应环境的优良物种。
受其启发,
人们致力于对生物各种生存特性的机理研究
和行为模拟,为人工自适应系统的设计
和开发提供了广阔的前景。
遗传算法(Genetic
Algorithms,简称
GA)就是这种生物行为的计算机模拟中令人瞩目的重要成果。
基于对生
物遗传和进化过程的计算机模拟,遗传算法使得各种人工系统具有优良的自适应能力和优
化能力。
遗传算法就是模仿自然界的生物进化机制发展起来的随机全局搜索和优化方法,
借鉴了达尔文的进化论和孟德尔的遗传学说。
达尔文的自然选择学说是一种被人们广泛接受的生物进化学说。
这种学说认为,生物
要生存下去,就必须进行生存斗争。
生存斗争包括种内斗争、种间斗争以及生物跟无机环
境之间的斗争三个方面。
在生存斗争中,具有有利变异的个体容易存活下来,并且有更多
的机会将有利变异传给后代;
具有不利变异的个体就容易被淘汰,产生后代的机会也少的
多。
因此,凡是在生存斗争中获胜的个体都是对环境适应性比较强的。
达尔文把这种在生
存斗争中适者生存,不适者淘汰的过程叫做自然选择。
它表明,遗传和变异是决定生物进
化的内在因素。
自然界中的多种生物之所以能够适应环境而得以生存进化,是和遗传和变
异生命现象分不开的。
正是生物的这种遗传特性,使生物界的物种能够保持相对的稳定;
而生物的变异特性,使生物个体产生新的性状,以致于形成新的物种,推动了生物的进化
和发展。
[1]
遗传与变异
遗传:
世间的生物从其父代继承特性或性状,这种生命现象就称为遗传(Heredity)
,
由于遗传的作用,使得人们种瓜得瓜,种豆得豆,也使得鸟仍然是在天空中飞翔,鱼仍然
是在水中遨游。
变异:
在进行细胞复制时,虽然概率很小,仅仅有可能产生某些复制差错,从而使DNA
发生某种变异(Mutation)
,产生出新的染色体。
这些新的染色体表现出新的性状。
进化
地球上的生物,都是经过长期进化而形成的。
根据达尔文的自然选择学说,地球上的
生物具有很强的繁殖能力。
在繁殖过程中,大多数生物通过遗传,使物种保持相似的后代;
部分生物由于变异,后代具有明显差别,甚至形成新物种。
正是由于生物的不断繁殖后代,
生物数目大量增加,而自然界中生物赖以生存的资源却是有限的。
因此,为了生存,生物
就需要竞争。
生物在生存竞争中,根据对环境的适应能力,适者生存,不适者消亡。
自然
界中的生物,就是根据这种优胜劣汰的原则,不断地进行进化。
遗传与进化的系统观
虽然人们还未完全揭开遗传与进化的奥秘,即使没有完全掌握其机制也不完全
清楚
染色体编码和译码过程的细节,更不完全了解其控制方式,但遗传与进化的以下几个特点
却为人们所共识:
(1)
生物的所有遗传信息都包含在其染色体中,染色体决定了生物的性状;
(2)
染色体是由基因及其有规律的排列所构成的,遗传和进化过程发生在染色体上;
(3)
生物的繁殖过程是由其基因的复制过程来完成的;
(4)
通过同源染色体之间的交叉或染色体的变异会产生新的物种,使生物呈现新的性
状;
(5)
对环境适应性好的基因或染色体经常比适应性差的基因或染色体有更多的机会
遗传到下一代。
[1]、[3]
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(population)开始的,而一个种群
则由经过基因(gene)编码的一定数目的个体(individual)组成。
每个个体实际上是染色体
(chromosome)带有特征的实体。
染色体作为遗传物质的主要载体,即多个基因的集合,其
内部表现(即基因型)是某种基因组合,它决定了个体的形状的外部表现,如黑头发的特
征是由染色体中控制这一特征的某种基因组合决定的。
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(generation)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(
fitness)大小选择
(selection)个体,并借助于自然遗传学的遗传算子(
geneticoperators)进行组合交叉
(crossover)和变异(mutation),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
(decoding),可以作为问题近似最优解。
GA是一种基于自然群体遗传演化机制的高效探索算法,它是美国学者Holland
于1975