遗传算法的原理MATLAB程序实现 (2).docx
版权申诉
25 浏览量
2022-06-20
22:27:47
上传
评论
收藏 277KB DOCX 举报
1 遗传算法的原理
1.1 遗传算法的基本思想
遗传算法（genetic algorithms，GA）是一种基于自然选择和基因遗传学原理，
借鉴了生物进化优胜劣汰的自然选择机理和生物界繁衍进化的基因重组、突变的
遗传机制的全局自适应概率搜索算法。
遗传算法是从一组随机产生的初始解（种群）开始，这个种群由经过基因编
码的一定数量的个体组成，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（即基因型）是某种基因组合，它决定了个
体的外部表现。因此，从一开始就需要实现从表现型到基因型的映射，即编码工
作。初始种群产生后，按照优胜劣汰的原理，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，后代种群比前代更加适应环境，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。
计算开始时，将实际问题的变量进行编码形成染色体，随机产生一定数目的
个体，即种群，并计算每个个体的适应度值，然后通过终止条件判断该初始解是
否是最优解，若是则停止计算输出结果，若不是则通过遗传算子操作产生新的一
代种群，回到计算群体中每个个体的适应度值的部分，然后转到终止条件判断。
这一过程循环执行，直到满足优化准则，最终产生问题的最优解。图 1-1 给出了
遗传算法的基本过程。
1.2 遗传算法的特点
1.2.1 遗传算法的优点
遗传算法具有十分强的鲁棒性，比起传统优化方法，遗传算法有如下优点：
1. 遗传算法以控制变量的编码作为运算对象。传统的优化算法往往直接利用
控制变量的实际值的本身来进行优化运算，但遗传算法不是直接以控制变量的
值，而是以控制变量的特定形式的编码为运算对象。这种对控制变量的编码处理
方式，可以模仿自然界中生物的遗传和进化等机理，也使得我们可以方便地处理
各种变量和应用遗传操作算子。
2. 遗传算法具有内在的本质并行性。它的并行性表现在两个方面，一是遗传
剩余14页未读，继续阅读
资源评论
