隨著經(jīng)濟(jì)社會的迅猛發(fā)展, 人類科學(xué)研究與生產(chǎn)活動的廣度與深度都大大拓展了，其中涌現(xiàn)出的大量具有各種非線性、不確定、不能精確解析以及建模機(jī)理復(fù)雜的新課題對信息與控制科學(xué)提出了前所未有的挑戰(zhàn)。正是在這種背景下, 各種智能信息處理算法如雨后春筍般涌現(xiàn)出來。作為智能信息處理算法中的重要一員, 遺傳算法近年來以其獨(dú)特而卓越的性能引起了人們的廣泛關(guān)注。

對于以往難以解決的函數(shù)優(yōu)化問題,復(fù)雜的多目標(biāo)規(guī)劃問題，工農(nóng)業(yè)生產(chǎn)中的配管、配線問題，以及機(jī)器學(xué)習(xí)，圖象識別，人工神經(jīng)網(wǎng)絡(luò)的權(quán)系數(shù)調(diào)整，模糊規(guī)則的優(yōu)化和網(wǎng)絡(luò)構(gòu)造等諸多問題，GA遺傳算法以其出色的表現(xiàn)，已成為人們最常用也最有效的方法之一。

雖然GA在許多優(yōu)化問題中都有成功的應(yīng)用，但其本身也存在一些不足，主要有：局部搜索能力弱、存在早熟成熟現(xiàn)象、收斂于局部最優(yōu)解、隨機(jī)漫游或振蕩等現(xiàn)象，從而影響算法的收斂性能，降低了遺傳算法的可信度。如何改善遺傳算法的搜索能力和提高算法的收斂速度，使其更好地解決實(shí)際問題,是各國學(xué)者一直努力探索的一個主要課題。縱觀成百上千的對遺傳算法進(jìn)行改進(jìn)研究文獻(xiàn)，其主要改進(jìn)措施多集中在以下幾個方面：

對遺傳算法本身缺點(diǎn)的改進(jìn)

對遺傳算法本身單一缺點(diǎn)的改進(jìn)

種群 人們主要關(guān)心的是種群中個體分布的多樣性，這決定著運(yùn)行遺傳算法的效率，與種群相關(guān)的因素有種群個數(shù)，種群大小及初始種群三方面。

種群個數(shù) 采用多個子種群并行搜索思想，有效避免了欺騙問題，提高了算法成功的概率。典型應(yīng)用就是小生境技術(shù)，種群由M個子種群組成，每個子種群獨(dú)立進(jìn)化，種群間通過種群遷移∕移民等機(jī)制完成個體信息的交換。借鑒子種群并行的思想，發(fā)展出了思維進(jìn)化計(jì)算，文獻(xiàn)【】和量子衍生遺傳算法或量子衍生進(jìn)化計(jì)算，文獻(xiàn)【】【】。

種群大小 大致有固定種群和動態(tài)種群兩種。

初始種群 對于初始種群的生成主要是改變了以往單靠隨機(jī)生成的缺點(diǎn)，引進(jìn)了解空間格點(diǎn)化法或數(shù)論中均勻設(shè)計(jì)法，使產(chǎn)生的點(diǎn)集能均勻地分布于解空間。當(dāng)然采用隨機(jī)與均勻混合生成的初始種群，可以包含更豐富的解空間模式。文獻(xiàn)【】,給出了用點(diǎn)的低序列差均勻生成初始種群的方法。(當(dāng)然這些方法

編碼 經(jīng)典的標(biāo)準(zhǔn)遺傳算法( SGA )中，Holland運(yùn)用模式定理分析編碼機(jī)制時,建議采用二進(jìn)制編碼，其優(yōu)點(diǎn)是簡易穩(wěn)定，但二進(jìn)制編碼具有不能直接反映問題的固有結(jié)構(gòu)，解碼復(fù)雜，精度不高，個體長度太長，占用計(jì)算機(jī)內(nèi)存多和空間效率不高的缺點(diǎn)。它早已不能適應(yīng)人們處理問題多樣化的事實(shí)。

針對上述缺陷, 人們采用Gray編碼和動態(tài)編碼等方法成功地減少了編碼的尺寸和復(fù)雜度，提高了局部搜索性能和速度。文獻(xiàn)【】，給出了采用了性別編碼，檢測仿真表明其性能優(yōu)于二進(jìn)制和格雷碼；采用染色體隱式解碼算法，使得解碼速度提高了6~50倍[9]；采用實(shí)數(shù)或浮點(diǎn)數(shù)的矩陣形式或復(fù)數(shù)形式的編碼方法，實(shí)現(xiàn)了無需解碼可直接在解的表現(xiàn)型上進(jìn)行遺傳操作，反映了問題的固有結(jié)構(gòu)，便于引入與問題領(lǐng)域相關(guān)的啟發(fā)式信息，易于與其他傳統(tǒng)優(yōu)化方法融合，增加了算法的可操作性和搜索能力；采用有序串編碼方法巧妙地解決了組合優(yōu)化問題；采用結(jié)構(gòu)式編碼方法有效地處理了由樹和圖表示得問題。

進(jìn)入21世紀(jì)，隨著各跨學(xué)科領(lǐng)域知識及遺傳算法的廣泛應(yīng)用，遺傳算法編碼出現(xiàn)了跨學(xué)科集成與應(yīng)用的趨勢。目前備受國內(nèi)學(xué)者關(guān)注的有兩種，一種是DNA和RNA編碼，另一種是量子編碼，對于這兩種集成算法，下文將會詳細(xì)介紹。另外，最近Jaehun Lee[11]等針對貝葉斯學(xué)習(xí)網(wǎng)絡(luò)創(chuàng)造性地提出了染色體矩陣編碼方法。通過將染色體編碼為兩個三角陣從而將遺傳算法與貝葉斯網(wǎng)絡(luò)恰當(dāng)結(jié)合, 實(shí)現(xiàn)了兩種算法的集成和應(yīng)用。這也預(yù)示著編碼的研究不在局限于編碼方式和編碼符號的研究，而是發(fā)展到了研究編碼的組織形式(位串或矩陣等)與實(shí)際問題或傳統(tǒng)解決方法巧妙結(jié)合。

適應(yīng)度函數(shù) 通過它由目標(biāo)函數(shù)值計(jì)算個體適應(yīng)值，是選擇父輩個體操作的依據(jù)，影響著遺傳群體的走向，好的適應(yīng)度函數(shù)可以有效避免欺騙問題的發(fā)生。所謂欺騙問題在數(shù)學(xué)上的表現(xiàn)為：

設(shè)n個個體的適應(yīng)度函數(shù)值，記

若，且，則

若，且，則

用上述兩種分布情況下的適應(yīng)度函數(shù)值指導(dǎo)選擇操作將會極大損失種群多樣性，所以適應(yīng)度函數(shù)的設(shè)計(jì)是遺傳算法設(shè)計(jì)的關(guān)鍵環(huán)節(jié)之一射到，并通過計(jì)算sin,cos,tan或ctan的三角Stdev，巧妙地將輪盤選擇和錦標(biāo)賽選擇結(jié)合起來，使選擇機(jī)制具有了自適應(yīng)性。

然這些單一基于適應(yīng)度值的選擇方法，很容易引起種群的兩極分化：①種群超級個體很快占據(jù)主導(dǎo)地位，出現(xiàn)早熟現(xiàn)象②種群個體適應(yīng)度彼此非常接近時，搜索過程趨于純粹的隨機(jī)，在最優(yōu)解附近振蕩，難以獲得高精度全局最優(yōu)解。

為了有效避免上述缺點(diǎn)，在小生境技術(shù)中，可以采用①1970年，Cavichio提出了預(yù)選擇機(jī)制；②1975年，De Jong引入排擠因子，提出了排

總結(jié)

以上是生活随笔為你收集整理的遗传算法占用计算机空间,遗传算法综述摘要.doc的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。