基于Matlab的GA算法仿真研究(3)

菜单

双切点交叉遗传算法的MATLAB实现 36

多变异位自适应遗传算法的MATLAB实现 38

第一章绪论

1.1 课题的目的和意义

遗传算法也被称为GA算法最先是由一些精通算法的知名学者和John H．Holland（密歇根大学教授）创立的一种由模仿生物进化衍生的优化算法。遗传算法起初是受到了达尔文《进化论》和孟德尔《遗传变异理论》的启发并由此作为理论基础，是一种模仿生物的进化，搜索全局优化自适应启发式算法。因为其中的遗传算法不考虑过量动力学信息的问题，如连续的问题，可微问题，以及结构遗传算法比较简单，并且拥有全局搜索能力，信息的隐性处理能力，强大的可扩展能力等，遗传算法打破了原有优化方法上束缚的想法。所以遗传算法，在解决比较难解决，如现在已经比较普遍的非线性复杂问题时。遗传算法相对传统的搜索方法而言在很多方面都有他独特的优势，像在经济决策方面也有很好的应用，这将是21世纪的一个有关智能算法的相关关键技术。遗传算法与其它算法的差别在于它不是直接对于本身参数进行一种处理，而是巧妙的对这些参数进行编码，这样不仅可以解决传统的目标函数的优化，而且也可以处理函数的矩阵结构，树形图和其它的方式，并使用“生物进化”功能的同时多解的搜索空间来评估每个潜在的问题，并表示为“染色体”，并根据遗传学选择，交叉和变异等操作来得到满足条件的最优解，同时发挥遗传算法的全局搜索能力，前者只能检测出遗传算法很小的性能，后者体现大量的搜索空间和不限区域结构的两个最重要的特征，遗传算法的全局搜索具有很好的适应性。在许多应用中，函数优化中的GA算法是最流行，最典型的应用。常见的问题，重要的问题涉及到函数优化问题的许多方面，像一些知名专家学者所认识的那样，遗传算法还有很多值得探索。许多复杂的问题，如训练神经网络，该系统模型参数辨识等，也可转化为最优化问题，并利用相应算法解决。功能优化的本质是选择从所有可能的方案最合理，最优的有针对性的方案。它可以归因于最小化问题，最大化问题，可以通过函数转换和算法实现的方式，将其转变成最小值问题。在函数的优化问题中，解决最快速最精确寻优常规方法中，有牛顿法，罚函数法等。优化这些搜索方法已经确定，一个可微函数通常是用于解决问题的先决条件。因此，传统的优化方法可能不适合用于解决优化问题的不能微函数和高微函数。然后一种模仿自然生物进化过程中，被称为遗传算法的随机优化技术展示出了在这些问题中的与其它优化算法与众不同的高超性能。自1970年以来荷兰已正式提出遗传算法，非经典的随机搜索优化方法如基因表达、进化规划，陆续的已经在方案设计中。其中所述遗传算法是一个极具代表性随机算法，与其它常规算法相比，遗传算法不是从单点而是从多点出发，这是对初始设定点的要求不高;遗传算法采用自适应值，而不依靠衍生物或其它辅助信息，这使得它在搜索过程中不容易陷入局部最优秀，即使在搜索功能是通过不连续，降低重复或不完全的情况定义下，它也可以找到最佳的解决方案的一个较大的总概率。遗传算法的条件相对简易，只要函数是可微可计算的哪怕没有梯度信息都是可以运算的，这些类型的复杂的优化问题就可可以通过遗传算法的三种基本操作（选择、杂交、变异）中就能得到优化解，得益于它这些显著的有点，GA算法已引起人们越来越多的关注研究，产生了很多实际有效的运用。