自动控制网—学习自动控制技术电气自动化技术从这里开始!

遗传算法的基本原理

时间:2015-08-26 09:52来源:www.eadianqi.com 编辑:自动控制网
遗传算法是模仿生物遗传学和自然选择机理,通过人工方式构造的一类优化搜索算法,是对生物进化过程进行的一种数学仿真,是进化计算的一种最重要形式。以霍兰德(Holland)于1975年提出的简单遗传算法作为讨论主要对象,加上适应的改进,来分析遗传算法的结构和机理。
   遗传算法是模仿生物遗传学和自然选择机理,通过人工方式构造的一类优化搜索算法,是对生物进化过程进行的一种数学仿真,是进化计算的一种最重要形式。以霍兰德(Holland)于1975年提出的简单遗传算法作为讨论主要对象,加上适应的改进,来分析遗传算法的结构和机理。

1.编码与解码
    将问题结构变换为位串形式编码表示的过程叫编码;而相反将位串形式编码表示变换为原问题结构的过程叫解码或译码。把位串形式编码表示叫染色体,有时也叫个体。
    GA的算法过程简述如下。首先在解空间中取一群点,作为遗传开始的第一代。每个点(基因)用一个二进制数字串表示,其优劣程度用一目标函数——适应度函数(fitness function)来衡量。
    遗传算法最常用的编码方法包括二进制编码、浮点数编码方法、格雷码、符号编码方法、多参数编码方法等。

本文来自www.eadianqi.com

2.适应度函数
    适应度函数(fitness function)用于决定染色体的优劣程度,它体现了自然进化中的优胜劣汰原则。对优化问题,适应度函数就是目标函数。适应度函数要有效反映每一个染色体与问题的最优解染色体之间的差距。

本文来自www.eadianqi.com

3.遗传操作
    简单遗传算法的遗传操作主要有有三种:选择(selection)、交叉(crossover)、变异(mutation)。改进的遗传算法大量扩充了遗传操作,以达到更高的效率。
    选择操作也叫复制(reproduction)操作。一般地说,选择将使适应度较大(优良)个体有较大的存在机会,而适应度较小(低劣)的个体继续存在的机会也较小。交叉操作的简单方式是将被选择出的两个个体P1和P2作为父母个体,将两者的部分码值进行交换。变异操作的简单方式是改变数码串的某个位置上的数码。 自动控制网www.eadianqi.com版权所有

本文已影响