遗传算法原理步骤及发展状况和未来趋势

智能优化方法——遗传算法

自动化1002朱浩翔31002419

摘 要

智能优化方法通常包括进化算法（Evolutionary Computation，EC）和群智能（Swarm Intelligence，SI）等两大类方法。遗传算法是属于进化算法中的一种，是一类主要受生物进化启发的基于种群的有向随机搜索方法。可随种群的发育或迭代的进行而逐渐获得问题的全局最优解。在向全局最优解的搜索过程中，种群中的全部个体将在问题空间中并行的进行选择、交叉、变异或重组等进化算子操作。

关键词：遗传算法、进化、操作步骤、研究状况

引言：遗传算法（Genetic Algorithm，GA）作为一种重要的现代优化算法，构成了各种进化计算方法的基础。本文主要阐述其工作原理、基本步骤、应用状况、未来发展趋势及存在的不足和改进[1]。

1. 遗传算法的工作原理及操作步骤

1.1 基本原理

遗传算法类似于自然进化，通过作用于染色体上基因的寻找最好的染色体来求解问题。与自然界相似，遗传算法对求解问题的本身一无所知，它需要的仅是对遗传算法所长生的染色体有更多的繁殖机会。在遗传算法中，通过随机方式产生若干个求解问题的数字编码，即染色体，形成初试种群；通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择高适应度的个体参加遗传操作，经过遗传操作后的个体集合形成下一代新的种群，对这个新种群进行下一轮进化[2]。 1.2 操作步骤（典型的算法步骤）

1) 初始化种群：这个初始的群体也就是问题的假设解的集合。 2) 计算种群上每个个体的适应度。

3) 按由个体适应度值所决定的某个规则选择将进人下一代的个体：该准则为适应度准则，体现了适者生存，不适者淘汰。

4) 按概率Pc进行交叉操作：对于选择用于下一代繁殖的个体随机地选择两个个体相同的位置，按交叉概率Pc在选中的位置实行交换。

5) 按概率Pm进行变异操作：根据生物遗传中基因变异的原理，以变异的概率Pm对某些个体的某些位执行变异。

6) 若没有满足某种停止条件，则转入2），否则进入下一步：当最优个体的适应度达到给定的阈值，或者最有个体的适应度和群体适应度不再上升时，则算法的迭代过程收敛，算法结束，否则重新回到步骤2）。

7) 输出种群中适应度最优的染色体作为问题的满意解或最优解[2][3]。

2. 遗传算法的应用状况及发展趋势

2.1 遗传算法的主要应用领域

遗传算法提供了一种求解复杂系统优化 问题的通用框架，它不依赖于问题的具体领域， 对问题的种类有很强的鲁棒性，所以广泛应用 于很多学科。

目前主要应用的领域有函数优化、 生产调度问题、自动控制、机器学习、图像处理、 人工生命、遗传编程，机器学习、数据挖掘等等。 2.2 遗传算法研究新动向

1) 基于遗传算法的机器学习：这一新的研究方向把遗传算法从历史离

散的搜索空间的优化搜索算法扩展到具有独特的规则生产功能崭新的机器学习算法。

2) 遗传算法与其他计算智能方法的相互渗透和结合：遗传算法正日益

和神经网络、模糊推理以及混沌理论等其他职能计算方法相互渗透和结合，以到达取长补短的作用。

3) 并行处理遗传算法：并行处理的遗传算法的研究不仅是遗传算法本

身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的，遗传算法在操作上具有高度的并行性。

4) 遗传算法与人工生命的渗透：基于遗传算法的进化模型是研究人工

生命现象的重要理论基础平[2][3]。

3. 遗传算法的不足及改进

用遗传算法进行路径规划时，随机产生初始种群，为了避免陷入局部极值点，种群数量要达到一定的规模。但种群规模大会导致搜索空间较大，删除冗余个体的能力较差，大大影响路径规划的速度。特别在环境较为复杂的情形下，这种缺点就更加明显。针对标准遗传算法的不足，故自Holland提出遗传算法以来，这个期间内出现了诸多对其进行改进的算。如采用不同 的编码方式、不同的遗传算法子等等。目前的改进策略大致可以分为以下两方面：

(1)改进遗传算法的各组成部分．如：设计新的编码方式、动态的、自适应的参数操作、新奇的遗传操作等，来进一步改善算法的性能(如：收敛速度慢、早熟、易陷入局部最优解等。

(2)由于遗传算法的操作简单，较容易与其他方法结合，实验研究表明这种改进相对是比较有效的。如：为克服早熟等提出与禁搜索(Tabu search)结合，poths提出基于迁移和人工选择的遗传算法：为解决局部优的问题，遗传算法分别与模糊集(Fuzzy set)、与混沌(Chaos)结合、与单纯形、与爬出法、神经网络、正交设计、免疫等结合来不断优化算法[4]。

参考文献

[1]孙增圻，邓志东，张再兴.智能控制理论与技术[M]，北京：清华大学出版社，2011：346-353. [2]曾文飞，张英杰，颜玲.遗传算法的基本原理及其应用研究[J]，软件导刊，2009（9）：54-56.

[3]赵宜鹏，孟磊，彭承靖.遗传算法原理与发展方向综述[J]，黑龙江科技信息，2010（13）：79-80.

[4] 春花，王海珍.遗传算法的原理及组成分析[J],内蒙古民族大学学报：自然科学版，2009（9）:632-634.

本文来源：https://www.bwwdw.com/article/u6nt.html