遗传算法范文10篇

遗传算法的思想由来已久。早在20世纪50年代，一些生物学家就着手于计算机模拟生物的遗传系统。1967年，美国芝加哥大学的Holland,J.H.教授在研究适应系统时，进一步涉及进化演算的思考，并于1968年提出模式理论。1975年，Holland教授的专著《自然界和人工系统的适应性》问世，全面地介绍了遗传算法，为遗传算法奠定了基础[228]。此后，遗传算法无论在理论研究方面，还是实际应用方面都有了长足发展。

伴随遗传算法的发展，其独特的优越性逐渐被体现出来，且各种理论、方法都得到了进一步发展和完善。但是，遗传算法的实际应用仍然存在着缺陷，具体表现在：

遗传算法在寻优过程中易出现“早熟”、设计变量增多时效率较低以及结构分析时间长，在线功能差。为此，在实际运用中尚需改进，寻找更优秀的算子和编码方法等。目前，改进的方法也各有优劣，有对遗传算法遗传算子进行改进的，也有将遗传算法与其他方法结合起来的。编码方法有二进制编码、多值编码、实值编码、区间值编码、Delta编码等多种编码方法。在执行策略方面有如下几种方法值得注意：遗传算法与模拟退火算法的结合、遗传算法与局部优化方法的结合、并行遗传算法、共存演化遗传算法、混乱遗传算法。

遗传算法的噪声适应性问题。遗传算法主要是针对无噪声的确定性环境设计的，在应用过程中，知识的不确定性、训练样本的错误、人为因素等都可导致问题求解环境包含一个或多个噪声。事实上，噪声是不可避免的，在实际工程测量中，测量得到的静态应变常常会伴有一定的噪声。遗传算法的进化过程是通过适应度大小来进行选择、变异、交*等遗传算子操作，从而对个体进行优胜劣汰。然而在噪声环境下，目标函数或适应度带有噪声，不能反映个体真正的适应度。显然，用有噪声的适应度去进化，其结果可能会被误导。在这种情况下，遗传算法的性能如何，怎样改进，还有待深入研究。

摘要本文通过对基本遗传算法添加初始化启发信息、改进交叉算子和利用本身所固有的并行性构架粗粒度并行遗传算法等方法提高了遗传算法的收敛性及其寻优能力。

关键词遗传算法；TSP；交叉算子

1引言

遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。总的说来，遗传算法是按不依赖于问题本身的方式去求解问题。它的目标是搜索这个多维、高度非线性空间以找到具有最优适应值(即最小费用的)的点[1]。

基本遗传算法是一个迭代过程，它模仿生物在自然环境中的遗传和进化机理，反复将选择算子、交叉算子和变异算子作用于种群，最终可得到问题的最优解和近似最优解。

2遗传算法程序设计改进比较

摘要：虚拟现实环境下工业产品造型设计方向种类繁杂且多由人为操作，得到全局最优设计结果的速度不佳，因此，提出在虚拟现实环境下遗传算法在工业产品造型设计中的运用。通过层次化产品造型结构设计产品造型基因编码，利用适应度函数对个体进行适应值评价，确定编码个体适应度；由遗传算子支撑产品造型设计方案的进化，满足人工参与条件后在虚拟现实环境下由人工评估设计方案，直至产生用户满意的方案。实验结果显示，在相同条件下，基于遗传算法生成的工业产品造型设计结果较常规方法生成的设计结果少迭代410次，即可精确收敛到全局最优设计结果，表明虚拟现实环境下遗传算法在工业产品造型设计中收敛到全局最优结果速度更快，效果更佳。

关键词：虚拟现实；遗传算法；遗传编码；适应度函数；工业设计；产品造型设计

随着科技快速发展，消费者对产品造型和功效的要求越来越高，不仅注重产品的使用功能，更追求视觉感官上的享受。为了响应快速发展的市场需求，利用虚拟现实技术辅助设计师完成产品造型设计是十分必要的。在传统产品造型设计过程中，主要是从产品功能出发，以提高产品表象形式为目的对其进行设计，包含产品的形态设计、产品的色彩设计、产品造型的质感等设计方面[1]。设计师需要首先以用户的需求为设计方向，利用自身设计经验分析产品的原理及性能，并设计出对应产品的基本结构、功能和形态等造型设计元素，主要依靠设计师的个人能力。单纯由设计师完成，难以保证设计工作的效率，无法满足产品造型设计快速开发设计的要求。因此，利用遗传算法的高度并行、自适应性优势，对工业产品造型设计求解[2⁃3]。为了更好地结合用户需求偏好和设计师的经验，同时避免设计师的主观看法以及用户参与评估的过程较多，将虚拟现实和遗传算法相结合，通过交互式手段利用人工评估进行调整，以人工评估的方式替代遗传算法中的适应度值，得到结果最优解，既可以减少用户工作量，又可以提高产品造型设计结果的收敛速度。

1遗传算法在工业产品造型设计中的运用

遗传算法可以同时处理多个设计目标，在一个工业产品造型设计过程中得到多个满意的产品造型设计结果。遗传算法在工业产品造型设计中的运用是以进化论和遗传学说为基础，对产品造型中的每个个体设计要素进行编码，再通过选择、交叉、变异算子进行基因的排列组合，直到生成满意的新个体。在进化过程满足一定条件后，进入人工评估阶段进行方案调整，若输出结果不是最优的，再进入计算机运行自然阶段，形成一个循环，直至生成最优设计方案[4]。由于计算机可以同时进行多个目标的并行搜索，因此，能提高产品造型的设计效率。基于遗传算法的工业产品造型设计流程如图1所示。1.1设计产品造型基因编码。在遗传算法运行中，使用浮点编码方式将实际可行解变量转变为个体编码，能够在确定规模的种群中表示更多的模式[5]。在初始种群中，产品形态、颜色等都可以表示成具体的层次结构数据，每一个功能单元均对应一个结构特征参数，每一个染色体均包含一系列特征参数集合。将可行解从解空间转换到搜索空间中，通过这种层次结构将特征浮点参数编码进产品个体中。用层次化染色体结构表示产品造型元素，如图2所示。产品染色体的基因位为功能单元染色体，功能单元的染色体基因位是特征参数的染色体，功能特征参数由浮点值定义[6]。设定每一个产品造型设计元素的参数编码包括功能单元的名称、数量、形状特征、几何大小、产品颜色等。部分产品造型设计编码参数数据类型如表1所示。在将编码参数导入计算机辅助软件之前，设计师需要从市场及概念设计中提取需要数据，按照上述层次结构进行数据的编码。不同产品对应的特征参数均不相同，这种差异化会影响遗传算法获得有效解[7⁃9]。因此，将编码数据的浮点值强制映射在相同有效范围区间内，使得每个对应基因位均在[0，1]范围，解决参数在不同范围上的问题。1.2确定编码个体适应度。在非人工评估阶段，也就是自然阶段，由目标函数变换得到适应度函数，对个体进行适应值评价。适应度函数为：F(x)={Cmax-f(x),f(x)<Cmax0,f(x)≥Cmax（1）式中：F(x)为适应度函数；f(x)为目标函数；Cmax为一个预设的相对较大的正数，以保证大多数解为正。设定种群平均适应度值为FA。产品造型设计是一个多目标寻优的过程，实际过程中包含多种特征参数，对应产品不同状态。使用形态语义加权方法，根据设计元素在设计方案中的重要程度设定合适权重值，将用户语义与产品特征描述对应联系起来，反映设计个体在多方面的优劣程度[10⁃11]。对每一个设计元素进行调查，对调查结果取算术平均值，得到人工评估适应度值FE。随机生成N个个体字符串，其中，N个个体作为初始种群大小，初始进化代数为gen，最大非人工进化代数为GEN。1.3产品造型设计方案进化。产品造型设计方案的进化由三种遗传算子支撑。从初始种群开始迭代，获得最初种群平均适应度后，选择适应度较高的个体两两配对，再经过遗传运算中的交叉、变异运算再生，得到新个体放入新种群中，重复此过程，直至新种群生成，在每一代运算后生成的新种群将替代旧种群[10]。交叉运算是在交叉概率Pc控制下，随机选择上一代种群中的两个个体进行交叉，由两个个体中适应度值较高的个体提供更多基因。变异运算首先设定初始变异概率Pm，Pm∈[0,1]。产生下一代种群后，比较两代种群中最优个体的适应度值，新种群最优个体小于旧种群最优个体适应度值时，将初始变异概率Pm增加0.05，否则，减少0.05，但始终保持变异概率在初始变异概率值与1之间。为保证将适应度值最好的个体保留到下一代种群中，用当前种群中适应度值最高的个体直接替代经交叉和变异遗传操作后产生的适应度值最低个体[12⁃13]。同时，如果上一代种群中的最优个体的适应度值高于当前种群中最优个体的适应度值，即用上一代种群中的最优个体代替当前种群中的适应度值最低个体。当算法运行生成新的产品造型设计方案，同时满足人工参与条件后，解码进入虚拟现实环境下参与人工评估阶段。1.4虚拟现实环境下人工评估设计方案。虚拟现实环境下人工评估阶段，主要是借助虚拟现实技术，由计算机主机进行控制，通过四维形式将储存在知识库和数据库的算法内容展现在虚拟场景中[14]，输出最终设计结果方案、图纸或造型给客户。虚拟现实设计结果输出流程如图3所示。图3虚拟现实设计结果输出流程由人工评价是否生成了最优方案。设定设计产品评价目标为u=(u1,u2,⋯,un)，对应权重分别为qi，用矩阵表示为Q=(q1,q2,⋯,qn)，对产品各评价目标进行评分：（2）如果在人工评估阶段产生了用户满意的方案，那么停止算法运行，否则，转入自然阶段继续运行，并且剔除不符合设计要求的方案。至此完成虚拟现实环境下遗传算法在工业产品造型设计中的运用设计。

2仿真实验

编者按：本文主要从单亲演化过程；群体演化过程；实验结果与分析；结束语四个方面进行论述。其中，主要包括：TSP的搜索空间是有限的、很可能不存在确定的算法能在多项式时间内求到问题的解、遗传算法是一种借鉴生物界自然选择和遗传机制的随机化搜索算法、用遗传算法求解TSP能得到令人满意的结果、个体质量的高低决定了算法的全局性能、TSP编码表示、构建TSP基因库、单亲演化算法、基因段错位操作是随机确定基因段、交叉算子、局部启发式算子、选择机制和收敛准则、基于多重搜索策略的群体演化算法、所有的结果都是在P42.0G微机上完成、该文算法的求解质量要优于GA、PGA、MMGA算法等，具体材料请详见。

论文摘要：TSP是组合优化问题的典型代表,该文在分析了遗传算法的特点后,提出了一种新的遗传算法(GB—MGA),该算法将基因库和多重搜索策略结合起来,利用基因库指导单亲遗传演化的进化方向,在多重搜索策略的基础上利用改进的交叉算子又增强了遗传算法的全局搜索能力。通过对国际TSP库中多个实例的测试,结果表明:算法(GB—MGA)加快了遗传算法的收敛速度,也加强了算法的寻优能力。

论文关键词：旅行商问题遗传算法基因库多重搜索策略

TSP(travelingsalesmanproblem)可以简述为:有n个城市1,2,…,n,一旅行商从某一城市出发,环游所有城市后回到原出发地,且各城市只能经过一次,要求找出一条最短路线。TSP的搜索空间是有限的,如果时间不受限制的话,在理论上这种问题终会找到最优解,但对于稍大规模的TSP,时间上的代价往往是无法接受的。这是一个典型的组合最优化问题,已被证明是NP难问题,即很可能不存在确定的算法能在多项式时间内求到问题的解[1]。由于TSP在工程领域有着广泛的应用,如货物运输、加工调度、网络通讯、电气布线、管道铺设等,因而吸引了众多领域的学者对它进行研究。TSP的求解方法种类繁多,主要有贪婪法、穷举法、免疫算法[2]、蚂蚁算法[3]、模拟退火算法、遗传算法等。

遗传算法是一种借鉴生物界自然选择和遗传机制的随机化搜索算法,其主要特点是群体搜索策略和群体中个体之间的信息交换,搜索不依赖于梯度信息[4]。遗传算法主要包括选择、交叉和变异3个操作算子,它是一种全局化搜索算法,尤其适用于传统搜索算法难于解决的复杂和非线性问题。遗传算法虽然不能保证在有限的时间内获得最优解,但随机地选择充分多个解验证后,错误的概率会降到可以接受的程度。

用遗传算法求解TSP能得到令人满意的结果,但是其收敛速度较慢,而且种群在交叉算子作用下,会陷入局部解。采用局部启发式搜索算法等,虽然能在很短的时间内计算出小规模城市的高质量解,一旦城市规模稍大就容易陷入局部最优解。因此,为了能够加快遗传算法的收敛速度,又能得到更好的近似最优解,该文采纳了文[5]中杨辉提出的基因库的想法,并结合文[6]中Cheng-FaTsai提出的多重搜索策略思想,使用单亲演化与群体演化相结合的方式来求解TSP问题。该文根据文[7]中最小生成树MST(minimumcostspanningtree)的应用,由MST建立TSP的基因库,保存有希望成为最优解的边,利用基因库提高初始群体的质量进行单亲演化,然后利用改进后的交叉算子和的多重搜索策略进行群体演化。

1遗传算法设计

1．1基因编码设计

编码就是将遗传算法中处理不了的空间参数转换成遗传空间的由基因组成的染色体或个体的过程．其中基因在一定意义上包含了它所代表的问题的解．基因的编码方式有很多，这也取决于要解决的问题本身．常见的编码方式有：二进制编码，基因用0或1表示，通常用于解决01背包问题，如基因A：00100011010（代表一个个体的染色体）；互换编码，主要用于解决排序问题，如调度问题和旅行商问题，用一串基因编码来表示遍历城市顺序，如234517986，表示在9个城市中先经过城市2，再经过城市3，依此类推；树形编码，用于遗传规划的演化编程或表示，其编码的方法就是树形结构中的一些函数，本文采用的是树形编码．

1．2交叉算子设计

交叉运算的含义是参照某种方式和交叉概率，将两组相互配对的个体互换部分基因，生成新个体的过程．交叉运算在遗传算法中起关键作用，是产生新个体的主要方法．交叉操作流程如图1所示．交叉操作首先判定要交叉的基因是否相同，如果相同进行子基因组的交叉，然后再判定交叉是否完成，没完成就继续，完成就退出；如果交叉的基因不相同，就要选择是否依据概率进行基因交换，选择交换就交换其所有的次级基因结构，然后再判定交叉是否完成，选择不交换就直接判定交叉是否完成．

1．3变异算子设计

摘要：本文运用遗传算法的全局寻优对考试中的自动化组卷进行了研究，并得到了一个解决适合考方要求的试题模型的好的算法。

关键词：遗传算法全局寻优自动化组卷

1引言

计算机辅助考试系统的自动组卷的效率与质量完全取决于抽题算法的设计。如何设计一个算法从题库中既快又好的抽出一组最佳解或是抽出一组非常接近最佳解的实体，涉及到一个全局寻优和收敛速度快慢的的问题，很多学者对其进行了研究。遗传算法以其自适应寻优及良好的智能搜索技术，受到了广泛的运用。

PottsJC等人基于变异和人工选择的遗传算法对最优群体规模进行了论述；HamiltonMA等结合遗传算法把其运用到神经网络中，并取得了良好的效果[4]；也有众多的学者对保留最佳状态的遗传算法的收敛速度做了讨论。通过理论推导和事实运用，发现遗传算法在寻优和收敛性方面都是非常有效的。

本文结合遗传算法的原理和思想，对考试自动出题组卷的问题进行了研究，找到了一种获得与考试试题控制指标符合的试题模型的解决方法。

摘要在浮点编码遗传算法中加入Powell方法，构成适于不可微函数全局优化的混合遗传算法。混合算法改善了遗传算法的局部搜索能力，显著提高了遗传算法求得全局解的概率。由于只利用函数值信息，混合算法是一种求解可微和不可微函数全局优化问题的通用方法。

关键词全局最优；混合算法；遗传算法；Powell方法

1引言

不可微非线性函数优化问题具有广泛的工程和应用背景，如结构设计中使得结构内最大应力最小而归结为极大极小优化（minmax）问题、数据鲁棒性拟合中采取最小绝对值准则建立失拟函数等。其求解方法的研究越来越受到人们的重视，常用的算法有模式搜索法、单纯形法、Powell方法等，但是这些方法都是局部优化方法，优化结果与初值有关。

近年来，由Holland研究自然现象与人工系统的自适应行为时，借鉴“优胜劣汰”的生物进化与遗传思想而首先提出的遗传算法，是一种较为有效的求不可微非线性函数全局最优解的方法。以遗传算法为代表的进化算法发展很快，在各种问题的求解与应用中展现了其特点和魅力，但是其理论基础还不完善，在理论和应用上暴露出诸多不足和缺陷，如存在收敛速度慢且存在早熟收敛问题[1,2]。为克服这一问题，早在1989年Goldberg就提出混合方法的框架[2]，把GA与传统的、基于知识的启发式搜索技术相结合，来改善基本遗传算法的局部搜索能力，使遗传算法离开早熟收敛状态而继续接近全局最优解。近来，文献[3]和[4]在总结分析已有发展成果的基础上，均指出充分利用遗传算法的大范围搜索性能，与快速收敛的局部优化方法结合构成新的全局优化方法，是目前有待集中研究的问题之一，这种混合策略可以从根本上提高遗传算法计算性能。文献[5]采用牛顿－莱佛森法和遗传算法进行杂交求解旅行商问题，文献[6]把最速下降法与遗传算法相结合来求解连续可微函数优化问题，均取得良好的计算效果，但是不适于不可微函数优化问题。

本文提出把Powell方法融入浮点编码遗传算法，把Powell方法作为与选择、交叉、变异平行的一个算子，构成适于求解不可微函数优化问题的混合遗传算法，该方法可以较好解决遗传算法的早熟收敛问题。数值算例对混合方法的有效性进行了验证。

摘要:以无人机飞行控制系统为研究对象，通过对植保无人机的应用进行分析，提出一种双闭环控制方式的植保无人机飞行控制系统。由于作业需求，植保无人机飞行轨迹应根据作业状态进行不断调整，有效避开飞行航线中的障碍物，因此控制系统中兼容一种基于遗传算法的植保无人机飞行避障算法。仿真实验表明:植保无人机在飞行过程中能够有效进行单障碍及多障碍的规避，避障过程存在较小的误差，不会对植保无人机的作业状态产生影响;不同飞行速度对无人机的避障会产生不同程度的误差影响，速度越高，误差越大。

关键词:植保无人机;飞行控制系统;遗传算法;轨迹规划

随着无人机技术的不断发展，其在农业生产过程中应用范围也不断扩大。植保无人机在作业过程中具有较高的效率，能适应不同的应用环境，且可搭载不同的作业设备实现较高的灵活性［1］。无人机控制技术及人工智能程度逐渐提高，采用低功率、高效率的控制方式进行植保无人机飞行控制，已成为当前植保无人机发展的趋势［2－3］。在进行高效率智能控制过程中，为提高植保无人机的作业效率及作业质量，对无人机的飞行轨迹进行科学规划与控制，是植保无人机飞行控制系统的基础功能［4～5］。笔者针对植保无人机飞行作业过程中通过障碍区和非障碍区时的两种不同作业轨迹进行研究，提出一种基于遗传算法的植保无人机分析轨迹优化方法，以实现植保无人机飞行控制系统设计。

1无人机总体架构

植保无人机的主要架构包含飞行器、飞行控制系统及植保作业系统，如图1所示。在无人机上搭载飞行控制核心控制器，获取飞行器的飞行姿态及轨迹信息，并通过PWM指令信息进行姿态及轨迹的调整;同时，核心控制器输出控制指令，进行植保无人机作业系统控制［6－7］。

2无人机控制系统

摘要：本文运用遗传算法的全局寻优对考试中的自动化组卷进行了研究，并得到了一个解决适合考方要求的试题模型的好的算法。

关键词：遗传算法全局寻优自动化组卷

1引言

计算机辅助考试系统的自动组卷的效率与质量完全取决于抽题算法的设计。如何设计一个算法从题库中既快又好的抽出一组最佳解或是抽出一组非常接近最佳解的实体，涉及到一个全局寻优和收敛速度快慢的的问题，很多学者对其进行了研究。遗传算法以其自适应寻优及良好的智能搜索技术，受到了广泛的运用。PottsJC等人基于变异和人工选择的遗传算法对最优群体规模进行了论述；HamiltonMA等结合遗传算法把其运用到神经网络中，并取得了良好的效果[4]；也有众多的学者对保留最佳状态的遗传算法的收敛速度做了讨论。通过理论推导和事实运用，发现遗传算法在寻优和收敛性方面都是非常有效的。

本文结合遗传算法的原理和思想，对考试自动出题组卷的问题进行了研究，找到了一种获得与考试试题控制指标符合的试题模型的解决方法。

2问题描述

1引言

不可微非线性函数优化问题具有广泛的工程和应用背景，如结构设计中使得结构内最大应力最小而归结为极大极小优化（minmax）问题、数据鲁棒性拟合中采取最小绝对值准则建立失拟函数等。其求解方法的研究越来越受到人们的重视，常用的算法有模式搜索法、单纯形法、Powell方法等，但是这些方法都是局部优化方法，优化结果与初值有关。

近年来，由Holland研究自然现象与人工系统的自适应行为时，借鉴“优胜劣汰”的生物进化与遗传思想而首先提出的遗传算法，是一种较为有效的求不可微非线性函数全局最优解的方法。以遗传算法为代表的进化算法发展很快，在各种问题的求解与应用中展现了其特点和魅力，但是其理论基础还不完善，在理论和应用上暴露出诸多不足和缺陷，如存在收敛速度慢且存在早熟收敛问题[1,2]。为克服这一问题，早在1989年Goldberg就提出混合方法的框架[2]，把GA与传统的、基于知识的启发式搜索技术相结合，来改善基本遗传算法的局部搜索能力，使遗传算法离开早熟收敛状态而继续接近全局最优解。近来，文献[3]和[4]在总结分析已有发展成果的基础上，均指出充分利用遗传算法的大范围搜索性能，与快速收敛的局部优化方法结合构成新的全局优化方法，是目前有待集中研究的问题之一，这种混合策略可以从根本上提高遗传算法计算性能。文献[5]采用牛顿－莱佛森法和遗传算法进行杂交求解旅行商问题，文献[6]把最速下降法与遗传算法相结合来求解连续可微函数优化问题，均取得良好的计算效果，但是不适于不可微函数优化问题。

本文提出把Powell方法融入浮点编码遗传算法，把Powell方法作为与选择、交叉、变异平行的一个算子，构成适于求解不可微函数优化问题的混合遗传算法，该方法可以较好解决遗传算法的早熟收敛问题。数值算例对混合方法的有效性进行了验证。

2混合遗传算法

编码是遗传算法应用中的首要问题，与二进制编码比较，由于浮点编码遗传算法有精度高，便于大空间搜索的优点，浮点编码越来越受到重视[7]。考虑非线性不可微函数优化问题(1)，式中为变量个数，、分别是第个变量的下界和上界。把Powell方法嵌入到浮点编码遗传算法中，得到求解问题(1)如下混合遗传算法：