遺傳算法范文10篇

遺傳算法的思想由來已久。早在20世紀50年代，一些生物學家就著手于計算機模擬生物的遺傳系統。1967年，美國芝加哥大學的Holland,J.H.教授在研究適應系統時，進一步涉及進化演算的思考，并于1968年提出模式理論。1975年，Holland教授的專著《自然界和人工系統的適應性》問世，全面地介紹了遺傳算法，為遺傳算法奠定了基礎[228]。此后，遺傳算法無論在理論研究方面，還是實際應用方面都有了長足發展。

伴隨遺傳算法的發展，其獨特的優越性逐漸被體現出來，且各種理論、方法都得到了進一步發展和完善。但是，遺傳算法的實際應用仍然存在著缺陷，具體表現在：

遺傳算法在尋優過程中易出現“早熟”、設計變量增多時效率較低以及結構分析時間長，在線功能差。為此，在實際運用中尚需改進，尋找更優秀的算子和編碼方法等。目前，改進的方法也各有優劣，有對遺傳算法遺傳算子進行改進的，也有將遺傳算法與其他方法結合起來的。編碼方法有二進制編碼、多值編碼、實值編碼、區間值編碼、Delta編碼等多種編碼方法。在執行策略方面有如下幾種方法值得注意：遺傳算法與模擬退火算法的結合、遺傳算法與局部優化方法的結合、并行遺傳算法、共存演化遺傳算法、混亂遺傳算法。

遺傳算法的噪聲適應性問題。遺傳算法主要是針對無噪聲的確定性環境設計的，在應用過程中，知識的不確定性、訓練樣本的錯誤、人為因素等都可導致問題求解環境包含一個或多個噪聲。事實上，噪聲是不可避免的，在實際工程測量中，測量得到的靜態應變常常會伴有一定的噪聲。遺傳算法的進化過程是通過適應度大小來進行選擇、變異、交*等遺傳算子操作，從而對個體進行優勝劣汰。然而在噪聲環境下，目標函數或適應度帶有噪聲，不能反映個體真正的適應度。顯然，用有噪聲的適應度去進化，其結果可能會被誤導。在這種情況下，遺傳算法的性能如何，怎樣改進，還有待深入研究。

摘要本文通過對基本遺傳算法添加初始化啟發信息、改進交叉算子和利用本身所固有的并行性構架粗粒度并行遺傳算法等方法提高了遺傳算法的收斂性及其尋優能力。

關鍵詞遺傳算法；TSP；交叉算子

1引言

遺傳算法是模擬生物在自然環境中的遺傳和進化過程而形成的一種自適應全局優化概率搜索算法。總的說來，遺傳算法是按不依賴于問題本身的方式去求解問題。它的目標是搜索這個多維、高度非線性空間以找到具有最優適應值(即最小費用的)的點[1]。

基本遺傳算法是一個迭代過程，它模仿生物在自然環境中的遺傳和進化機理，反復將選擇算子、交叉算子和變異算子作用于種群，最終可得到問題的最優解和近似最優解。

2遺傳算法程序設計改進比較

摘要：虛擬現實環境下工業產品造型設計方向種類繁雜且多由人為操作，得到全局最優設計結果的速度不佳，因此，提出在虛擬現實環境下遺傳算法在工業產品造型設計中的運用。通過層次化產品造型結構設計產品造型基因編碼，利用適應度函數對個體進行適應值評價，確定編碼個體適應度；由遺傳算子支撐產品造型設計方案的進化，滿足人工參與條件后在虛擬現實環境下由人工評估設計方案，直至產生用戶滿意的方案。實驗結果顯示，在相同條件下，基于遺傳算法生成的工業產品造型設計結果較常規方法生成的設計結果少迭代410次，即可精確收斂到全局最優設計結果，表明虛擬現實環境下遺傳算法在工業產品造型設計中收斂到全局最優結果速度更快，效果更佳。

關鍵詞：虛擬現實；遺傳算法；遺傳編碼；適應度函數；工業設計；產品造型設計

隨著科技快速發展，消費者對產品造型和功效的要求越來越高，不僅注重產品的使用功能，更追求視覺感官上的享受。為了響應快速發展的市場需求，利用虛擬現實技術輔助設計師完成產品造型設計是十分必要的。在傳統產品造型設計過程中，主要是從產品功能出發，以提高產品表象形式為目的對其進行設計，包含產品的形態設計、產品的色彩設計、產品造型的質感等設計方面[1]。設計師需要首先以用戶的需求為設計方向，利用自身設計經驗分析產品的原理及性能，并設計出對應產品的基本結構、功能和形態等造型設計元素，主要依靠設計師的個人能力。單純由設計師完成，難以保證設計工作的效率，無法滿足產品造型設計快速開發設計的要求。因此，利用遺傳算法的高度并行、自適應性優勢，對工業產品造型設計求解[2⁃3]。為了更好地結合用戶需求偏好和設計師的經驗，同時避免設計師的主觀看法以及用戶參與評估的過程較多，將虛擬現實和遺傳算法相結合，通過交互式手段利用人工評估進行調整，以人工評估的方式替代遺傳算法中的適應度值，得到結果最優解，既可以減少用戶工作量，又可以提高產品造型設計結果的收斂速度。

1遺傳算法在工業產品造型設計中的運用

遺傳算法可以同時處理多個設計目標，在一個工業產品造型設計過程中得到多個滿意的產品造型設計結果。遺傳算法在工業產品造型設計中的運用是以進化論和遺傳學說為基礎，對產品造型中的每個個體設計要素進行編碼，再通過選擇、交叉、變異算子進行基因的排列組合，直到生成滿意的新個體。在進化過程滿足一定條件后，進入人工評估階段進行方案調整，若輸出結果不是最優的，再進入計算機運行自然階段，形成一個循環，直至生成最優設計方案[4]。由于計算機可以同時進行多個目標的并行搜索，因此，能提高產品造型的設計效率。基于遺傳算法的工業產品造型設計流程如圖1所示。1.1設計產品造型基因編碼。在遺傳算法運行中，使用浮點編碼方式將實際可行解變量轉變為個體編碼，能夠在確定規模的種群中表示更多的模式[5]。在初始種群中，產品形態、顏色等都可以表示成具體的層次結構數據，每一個功能單元均對應一個結構特征參數，每一個染色體均包含一系列特征參數集合。將可行解從解空間轉換到搜索空間中，通過這種層次結構將特征浮點參數編碼進產品個體中。用層次化染色體結構表示產品造型元素，如圖2所示。產品染色體的基因位為功能單元染色體，功能單元的染色體基因位是特征參數的染色體，功能特征參數由浮點值定義[6]。設定每一個產品造型設計元素的參數編碼包括功能單元的名稱、數量、形狀特征、幾何大小、產品顏色等。部分產品造型設計編碼參數數據類型如表1所示。在將編碼參數導入計算機輔助軟件之前，設計師需要從市場及概念設計中提取需要數據，按照上述層次結構進行數據的編碼。不同產品對應的特征參數均不相同，這種差異化會影響遺傳算法獲得有效解[7⁃9]。因此，將編碼數據的浮點值強制映射在相同有效范圍區間內，使得每個對應基因位均在[0，1]范圍，解決參數在不同范圍上的問題。1.2確定編碼個體適應度。在非人工評估階段，也就是自然階段，由目標函數變換得到適應度函數，對個體進行適應值評價。適應度函數為：F(x)={Cmax-f(x),f(x)<Cmax0,f(x)≥Cmax（1）式中：F(x)為適應度函數；f(x)為目標函數；Cmax為一個預設的相對較大的正數，以保證大多數解為正。設定種群平均適應度值為FA。產品造型設計是一個多目標尋優的過程，實際過程中包含多種特征參數，對應產品不同狀態。使用形態語義加權方法，根據設計元素在設計方案中的重要程度設定合適權重值，將用戶語義與產品特征描述對應聯系起來，反映設計個體在多方面的優劣程度[10⁃11]。對每一個設計元素進行調查，對調查結果取算術平均值，得到人工評估適應度值FE。隨機生成N個個體字符串，其中，N個個體作為初始種群大小，初始進化代數為gen，最大非人工進化代數為GEN。1.3產品造型設計方案進化。產品造型設計方案的進化由三種遺傳算子支撐。從初始種群開始迭代，獲得最初種群平均適應度后，選擇適應度較高的個體兩兩配對，再經過遺傳運算中的交叉、變異運算再生，得到新個體放入新種群中，重復此過程，直至新種群生成，在每一代運算后生成的新種群將替代舊種群[10]。交叉運算是在交叉概率Pc控制下，隨機選擇上一代種群中的兩個個體進行交叉，由兩個個體中適應度值較高的個體提供更多基因。變異運算首先設定初始變異概率Pm，Pm∈[0,1]。產生下一代種群后，比較兩代種群中最優個體的適應度值，新種群最優個體小于舊種群最優個體適應度值時，將初始變異概率Pm增加0.05，否則，減少0.05，但始終保持變異概率在初始變異概率值與1之間。為保證將適應度值最好的個體保留到下一代種群中，用當前種群中適應度值最高的個體直接替代經交叉和變異遺傳操作后產生的適應度值最低個體[12⁃13]。同時，如果上一代種群中的最優個體的適應度值高于當前種群中最優個體的適應度值，即用上一代種群中的最優個體代替當前種群中的適應度值最低個體。當算法運行生成新的產品造型設計方案，同時滿足人工參與條件后，解碼進入虛擬現實環境下參與人工評估階段。1.4虛擬現實環境下人工評估設計方案。虛擬現實環境下人工評估階段，主要是借助虛擬現實技術，由計算機主機進行控制，通過四維形式將儲存在知識庫和數據庫的算法內容展現在虛擬場景中[14]，輸出最終設計結果方案、圖紙或造型給客戶。虛擬現實設計結果輸出流程如圖3所示。圖3虛擬現實設計結果輸出流程由人工評價是否生成了最優方案。設定設計產品評價目標為u=(u1,u2,⋯,un)，對應權重分別為qi，用矩陣表示為Q=(q1,q2,⋯,qn)，對產品各評價目標進行評分：（2）如果在人工評估階段產生了用戶滿意的方案，那么停止算法運行，否則，轉入自然階段繼續運行，并且剔除不符合設計要求的方案。至此完成虛擬現實環境下遺傳算法在工業產品造型設計中的運用設計。

2仿真實驗

編者按：本文主要從單親演化過程；群體演化過程；實驗結果與分析；結束語四個方面進行論述。其中，主要包括：TSP的搜索空間是有限的、很可能不存在確定的算法能在多項式時間內求到問題的解、遺傳算法是一種借鑒生物界自然選擇和遺傳機制的隨機化搜索算法、用遺傳算法求解TSP能得到令人滿意的結果、個體質量的高低決定了算法的全局性能、TSP編碼表示、構建TSP基因庫、單親演化算法、基因段錯位操作是隨機確定基因段、交叉算子、局部啟發式算子、選擇機制和收斂準則、基于多重搜索策略的群體演化算法、所有的結果都是在P42.0G微機上完成、該文算法的求解質量要優于GA、PGA、MMGA算法等，具體材料請詳見。

論文摘要：TSP是組合優化問題的典型代表,該文在分析了遺傳算法的特點后,提出了一種新的遺傳算法(GB—MGA),該算法將基因庫和多重搜索策略結合起來,利用基因庫指導單親遺傳演化的進化方向,在多重搜索策略的基礎上利用改進的交叉算子又增強了遺傳算法的全局搜索能力。通過對國際TSP庫中多個實例的測試,結果表明:算法(GB—MGA)加快了遺傳算法的收斂速度,也加強了算法的尋優能力。

論文關鍵詞：旅行商問題遺傳算法基因庫多重搜索策略

TSP(travelingsalesmanproblem)可以簡述為:有n個城市1,2,…,n,一旅行商從某一城市出發,環游所有城市后回到原出發地,且各城市只能經過一次,要求找出一條最短路線。TSP的搜索空間是有限的,如果時間不受限制的話,在理論上這種問題終會找到最優解,但對于稍大規模的TSP,時間上的代價往往是無法接受的。這是一個典型的組合最優化問題,已被證明是NP難問題,即很可能不存在確定的算法能在多項式時間內求到問題的解[1]。由于TSP在工程領域有著廣泛的應用,如貨物運輸、加工調度、網絡通訊、電氣布線、管道鋪設等,因而吸引了眾多領域的學者對它進行研究。TSP的求解方法種類繁多,主要有貪婪法、窮舉法、免疫算法[2]、螞蟻算法[3]、模擬退火算法、遺傳算法等。

遺傳算法是一種借鑒生物界自然選擇和遺傳機制的隨機化搜索算法,其主要特點是群體搜索策略和群體中個體之間的信息交換,搜索不依賴于梯度信息[4]。遺傳算法主要包括選擇、交叉和變異3個操作算子,它是一種全局化搜索算法,尤其適用于傳統搜索算法難于解決的復雜和非線性問題。遺傳算法雖然不能保證在有限的時間內獲得最優解,但隨機地選擇充分多個解驗證后,錯誤的概率會降到可以接受的程度。

用遺傳算法求解TSP能得到令人滿意的結果,但是其收斂速度較慢,而且種群在交叉算子作用下,會陷入局部解。采用局部啟發式搜索算法等,雖然能在很短的時間內計算出小規模城市的高質量解,一旦城市規模稍大就容易陷入局部最優解。因此,為了能夠加快遺傳算法的收斂速度,又能得到更好的近似最優解,該文采納了文[5]中楊輝提出的基因庫的想法,并結合文[6]中Cheng-FaTsai提出的多重搜索策略思想,使用單親演化與群體演化相結合的方式來求解TSP問題。該文根據文[7]中最小生成樹MST(minimumcostspanningtree)的應用,由MST建立TSP的基因庫,保存有希望成為最優解的邊,利用基因庫提高初始群體的質量進行單親演化,然后利用改進后的交叉算子和的多重搜索策略進行群體演化。

1遺傳算法設計

1．1基因編碼設計

編碼就是將遺傳算法中處理不了的空間參數轉換成遺傳空間的由基因組成的染色體或個體的過程．其中基因在一定意義上包含了它所代表的問題的解．基因的編碼方式有很多，這也取決于要解決的問題本身．常見的編碼方式有：二進制編碼，基因用0或1表示，通常用于解決01背包問題，如基因A：00100011010（代表一個個體的染色體）；互換編碼，主要用于解決排序問題，如調度問題和旅行商問題，用一串基因編碼來表示遍歷城市順序，如234517986，表示在9個城市中先經過城市2，再經過城市3，依此類推；樹形編碼，用于遺傳規劃的演化編程或表示，其編碼的方法就是樹形結構中的一些函數，本文采用的是樹形編碼．

1．2交叉算子設計

交叉運算的含義是參照某種方式和交叉概率，將兩組相互配對的個體互換部分基因，生成新個體的過程．交叉運算在遺傳算法中起關鍵作用，是產生新個體的主要方法．交叉操作流程如圖1所示．交叉操作首先判定要交叉的基因是否相同，如果相同進行子基因組的交叉，然后再判定交叉是否完成，沒完成就繼續，完成就退出；如果交叉的基因不相同，就要選擇是否依據概率進行基因交換，選擇交換就交換其所有的次級基因結構，然后再判定交叉是否完成，選擇不交換就直接判定交叉是否完成．

1．3變異算子設計

摘要：本文運用遺傳算法的全局尋優對考試中的自動化組卷進行了研究，并得到了一個解決適合考方要求的試題模型的好的算法。

關鍵詞：遺傳算法全局尋優自動化組卷

1引言

計算機輔助考試系統的自動組卷的效率與質量完全取決于抽題算法的設計。如何設計一個算法從題庫中既快又好的抽出一組最佳解或是抽出一組非常接近最佳解的實體，涉及到一個全局尋優和收斂速度快慢的的問題，很多學者對其進行了研究。遺傳算法以其自適應尋優及良好的智能搜索技術，受到了廣泛的運用。

PottsJC等人基于變異和人工選擇的遺傳算法對最優群體規模進行了論述；HamiltonMA等結合遺傳算法把其運用到神經網絡中，并取得了良好的效果[4]；也有眾多的學者對保留最佳狀態的遺傳算法的收斂速度做了討論。通過理論推導和事實運用，發現遺傳算法在尋優和收斂性方面都是非常有效的。

本文結合遺傳算法的原理和思想，對考試自動出題組卷的問題進行了研究，找到了一種獲得與考試試題控制指標符合的試題模型的解決方法。

摘要在浮點編碼遺傳算法中加入Powell方法，構成適于不可微函數全局優化的混合遺傳算法。混合算法改善了遺傳算法的局部搜索能力，顯著提高了遺傳算法求得全局解的概率。由于只利用函數值信息，混合算法是一種求解可微和不可微函數全局優化問題的通用方法。

關鍵詞全局最優；混合算法；遺傳算法；Powell方法

1引言

不可微非線性函數優化問題具有廣泛的工程和應用背景，如結構設計中使得結構內最大應力最小而歸結為極大極小優化（minmax）問題、數據魯棒性擬合中采取最小絕對值準則建立失擬函數等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、Powell方法等，但是這些方法都是局部優化方法，優化結果與初值有關。

近年來，由Holland研究自然現象與人工系統的自適應行為時，借鑒“優勝劣汰”的生物進化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數全局最優解的方法。以遺傳算法為代表的進化算法發展很快，在各種問題的求解與應用中展現了其特點和魅力，但是其理論基礎還不完善，在理論和應用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題[1,2]。為克服這一問題，早在1989年Goldberg就提出混合方法的框架[2]，把GA與傳統的、基于知識的啟發式搜索技術相結合，來改善基本遺傳算法的局部搜索能力，使遺傳算法離開早熟收斂狀態而繼續接近全局最優解。近來，文獻[3]和[4]在總結分析已有發展成果的基礎上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優化方法結合構成新的全局優化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計算性能。文獻[5]采用牛頓－萊佛森法和遺傳算法進行雜交求解旅行商問題，文獻[6]把最速下降法與遺傳算法相結合來求解連續可微函數優化問題，均取得良好的計算效果，但是不適于不可微函數優化問題。

本文提出把Powell方法融入浮點編碼遺傳算法，把Powell方法作為與選擇、交叉、變異平行的一個算子，構成適于求解不可微函數優化問題的混合遺傳算法，該方法可以較好解決遺傳算法的早熟收斂問題。數值算例對混合方法的有效性進行了驗證。

摘要:以無人機飛行控制系統為研究對象，通過對植保無人機的應用進行分析，提出一種雙閉環控制方式的植保無人機飛行控制系統。由于作業需求，植保無人機飛行軌跡應根據作業狀態進行不斷調整，有效避開飛行航線中的障礙物，因此控制系統中兼容一種基于遺傳算法的植保無人機飛行避障算法。仿真實驗表明:植保無人機在飛行過程中能夠有效進行單障礙及多障礙的規避，避障過程存在較小的誤差，不會對植保無人機的作業狀態產生影響;不同飛行速度對無人機的避障會產生不同程度的誤差影響，速度越高，誤差越大。

關鍵詞:植保無人機;飛行控制系統;遺傳算法;軌跡規劃

隨著無人機技術的不斷發展，其在農業生產過程中應用范圍也不斷擴大。植保無人機在作業過程中具有較高的效率，能適應不同的應用環境，且可搭載不同的作業設備實現較高的靈活性［1］。無人機控制技術及人工智能程度逐漸提高，采用低功率、高效率的控制方式進行植保無人機飛行控制，已成為當前植保無人機發展的趨勢［2－3］。在進行高效率智能控制過程中，為提高植保無人機的作業效率及作業質量，對無人機的飛行軌跡進行科學規劃與控制，是植保無人機飛行控制系統的基礎功能［4～5］。筆者針對植保無人機飛行作業過程中通過障礙區和非障礙區時的兩種不同作業軌跡進行研究，提出一種基于遺傳算法的植保無人機分析軌跡優化方法，以實現植保無人機飛行控制系統設計。

1無人機總體架構

植保無人機的主要架構包含飛行器、飛行控制系統及植保作業系統，如圖1所示。在無人機上搭載飛行控制核心控制器，獲取飛行器的飛行姿態及軌跡信息，并通過PWM指令信息進行姿態及軌跡的調整;同時，核心控制器輸出控制指令，進行植保無人機作業系統控制［6－7］。

2無人機控制系統

摘要：本文運用遺傳算法的全局尋優對考試中的自動化組卷進行了研究，并得到了一個解決適合考方要求的試題模型的好的算法。

關鍵詞：遺傳算法全局尋優自動化組卷

1引言

計算機輔助考試系統的自動組卷的效率與質量完全取決于抽題算法的設計。如何設計一個算法從題庫中既快又好的抽出一組最佳解或是抽出一組非常接近最佳解的實體，涉及到一個全局尋優和收斂速度快慢的的問題，很多學者對其進行了研究。遺傳算法以其自適應尋優及良好的智能搜索技術，受到了廣泛的運用。PottsJC等人基于變異和人工選擇的遺傳算法對最優群體規模進行了論述；HamiltonMA等結合遺傳算法把其運用到神經網絡中，并取得了良好的效果[4]；也有眾多的學者對保留最佳狀態的遺傳算法的收斂速度做了討論。通過理論推導和事實運用，發現遺傳算法在尋優和收斂性方面都是非常有效的。

本文結合遺傳算法的原理和思想，對考試自動出題組卷的問題進行了研究，找到了一種獲得與考試試題控制指標符合的試題模型的解決方法。

2問題描述

1引言

不可微非線性函數優化問題具有廣泛的工程和應用背景，如結構設計中使得結構內最大應力最小而歸結為極大極小優化（minmax）問題、數據魯棒性擬合中采取最小絕對值準則建立失擬函數等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、Powell方法等，但是這些方法都是局部優化方法，優化結果與初值有關。

近年來，由Holland研究自然現象與人工系統的自適應行為時，借鑒“優勝劣汰”的生物進化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數全局最優解的方法。以遺傳算法為代表的進化算法發展很快，在各種問題的求解與應用中展現了其特點和魅力，但是其理論基礎還不完善，在理論和應用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題[1,2]。為克服這一問題，早在1989年Goldberg就提出混合方法的框架[2]，把GA與傳統的、基于知識的啟發式搜索技術相結合，來改善基本遺傳算法的局部搜索能力，使遺傳算法離開早熟收斂狀態而繼續接近全局最優解。近來，文獻[3]和[4]在總結分析已有發展成果的基礎上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優化方法結合構成新的全局優化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計算性能。文獻[5]采用牛頓－萊佛森法和遺傳算法進行雜交求解旅行商問題，文獻[6]把最速下降法與遺傳算法相結合來求解連續可微函數優化問題，均取得良好的計算效果，但是不適于不可微函數優化問題。

本文提出把Powell方法融入浮點編碼遺傳算法，把Powell方法作為與選擇、交叉、變異平行的一個算子，構成適于求解不可微函數優化問題的混合遺傳算法，該方法可以較好解決遺傳算法的早熟收斂問題。數值算例對混合方法的有效性進行了驗證。

2混合遺傳算法

編碼是遺傳算法應用中的首要問題，與二進制編碼比較，由于浮點編碼遺傳算法有精度高，便于大空間搜索的優點，浮點編碼越來越受到重視[7]。考慮非線性不可微函數優化問題(1)，式中為變量個數，、分別是第個變量的下界和上界。把Powell方法嵌入到浮點編碼遺傳算法中，得到求解問題(1)如下混合遺傳算法：