11.txt

遗传算法的简单程序

发信人: ZiXiM (浙客西蒙), 信区: ArtInt 
标  题: 遗传算法（-） 
发信站: 交大兵马俑BBS站 (Tue Sep 28 22:41:00 1999), 转信 
  
遗传算法作为一种全局随机寻优的方法，是很有其特点的。 
有兴趣的朋友请在这儿讨论。 有交流才有进步！ 
遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法， 
它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个 
个体的适应性的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。 
1962年Holland教授首次提出了GA算法的思想，从而吸引了大批的研究者，迅速 
推广到优化、搜索、机器学习等方面，并奠定了坚实的理论基础。 
用遗传算法解决问题时，首先要对待解决问题的模型结构和参数进行编码，一般 
用字符串表示，这个过程就将问题符号化、离散化了。也有在连续空 
间定义的GA(Genetic Algorithm in Continuous Space, GACS)，暂不讨论。 
一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行： 
(1) 对待解决问题进行编码； 
(2) 随机初始化群体X(0):=(x1, x2, … xn)； 
(3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性 
能好坏； 
(4) 应用选择算子产生中间代Xr(t)； 
(5) 对Xr(t)应用其它的算子，产生新一代群体X(t+1)，这些算子的目的在于扩展 
有限个体的覆盖面，体现全局搜索的思想； 
(6) t:=t+1；如果不满足终止条件继续(3)。 
GA中最常用的算子有如下几种： 
(1) 选择算子(selection/reproduction): 选择算子从群体中按某一概率成对 
选择个体，某个体xi被选择的概率Pi与其适应度值成正比。最通常的实现 
方法是轮盘赌(roulette wheel)模型。 
(2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进 
行交叉，生成两个新的个体，交叉位置是随机的。其中Pc是一个系统参数。 
(3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异， 
对二值基因链(0,1编码)来说即是取反。 
上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改 
进GA的某些性能。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对 
算法的收敛速度及结果有很大的影响，应视具体问题选取不同的值。 
GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力。OOP中的 
类的继承为我们提供了这一可能。 
定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体 
类TPopulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作。 
对任一个应用实例，可以在TSGA类上派生，并定义新的操作。 
TPopulation类包含两个重要过程： 
FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值， 
具体操作在用户类中实现。 
Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度 
average、最好个体fmax、最坏个体fmin等。 

TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数， 
它有4个重要的成员函数： 
Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2）。轮盘经任意 
旋转停止后指针所指向区域被选中，所以fi值大的被选中的概率就大。 
Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串。 
Mutation: 变异算子，以概率Pm对基因链上每一个基因进行随机干扰(取反)。 
Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每 
运行一次，产生新的一代。 
  
  
-- 
        世间有万紫千红 
； 
            我独爱你那一种。