网站地图|收藏本站|在线留言|腾讯博客|新浪博客您好,欢迎来到凤谷官网!

凤谷

新型烧结技术突破者Regenerative furnace expert

全国咨询电话0510-88818999

更少能源更多能量
当前位置:首页 » 凤谷资讯中心 » 行业资讯 » 遗传算法基本原理

遗传算法基本原理

文章出处:江苏凤谷节能科技有限公司www.fg-furnace.com责任编辑:江苏凤谷节能科技有限公司www.fg-furnace.com人气:-发表时间:2016-09-27 08:10【

遗传算法(Genetic Algorithms简称GA)是由美国Michigan大学的John Holland教授于20 世纪 60 年代末创建的。70 年代De  Jong基于遗传算法的思想在计算机上进行了大量 的纯数值优化计算实验。在一系列研究工作的基础上,80 年代由Goldberg进行归纳总结, 形成了遗传算法的基本框架。它来源于达尔文(Charles  Darwin)的进化论和孟德尔 (G.Mendel)、摩尔根(T.H.Morgan)的遗传学理论,通过模拟自然界遗传机制和生物进化而 形成的一种过程搜索最优解的算法。其特点是几乎不需要所求问题的任何信息而仅需要 目标函数的信息,不受搜索空间是否连续或可微的限制就可找到最优解。依据它的并行 性,非常适用于大规模并行计算机。因此,遗传算法广泛的应用于自动控制、计算科学、 模式识别、工程设计、智能故障诊断、管理科学和社会科学领域,适用于解决复杂的非 线性和多维空间寻优问题。

与许多现有的优化算法相比,遗传算法具有以下优点:

(1) 遗传算法直接以目标函数值为搜索信息,直接处理的对象是决策变量的编码集而 不是决策变量的实际值本身,对函数的性态无要求,搜索过程既不受优化函数连 续性的约束,也没有优化函数必须可导的要求,具有较好的普适性和易扩充性。 同时,我们可以把搜索范围集中到适应度较高的部分搜索空间中,从而提高了搜 索效率。

(2) 遗传算法采用多点搜索或者说是群体搜索,具有显著的隐含并行性。遗传算法按并行方式搜索一个种群数目的点,而不是单点。它的并行性表现在两个方面:一 是遗传算法是内在并行的、二是遗传算法的内含并行性。

(3) 遗传算法是一种自适应搜索技术,具有自组织、自适应和学习性(智能性)。遗传 算法消除了算法设计中的一个最大障碍,即需要事先描述问题的全部特点,并要 说明针对问题的不同特点算法应采取的措施,因此,它可用来解决复杂的非结构 化问题,具有很强的鲁棒性。其选择、交叉、变异等运算都是以一种概率方式来 进行,从而增加了搜索过程的灵活性,同时能以很大的概率收敛于最优解,具有 较好的全局优化求解能力

(4) 遗传算法的基本思想简单,运行方式和实现步骤规范,便于具体使用。

基本遗传算法的形式化定义 基本遗传算法可定义为一个 8 元组: SGA = (C, E, P0 , M, Φ, Γ, Ψ, T)式中

C——个体的编码方法; 

E——个体适应度评价函数;

P0 ——初始群体; 

M——群体大小; 

Φ——选择算子; 

Γ——交叉算子; 

Ψ——变异算子; 

T——遗传算法终止条件。