遺傳算法的原理及其應(yīng)用研究

劉佳麗 劉旭

【摘要】：本文在簡要介紹了遺傳算法的起源與發(fā)展的基礎(chǔ)上，介紹了遺傳算法的原理及其遺傳算法在解決問題時的基本流程，對算法在組合優(yōu)化、人工智能、多目標(biāo)優(yōu)化等領(lǐng)域的應(yīng)用、現(xiàn)狀及存在的問題進行了分析。

【關(guān)鍵詞】：遺傳算法；遺傳算子；原理；應(yīng)用

遺傳算法GA（Genetic Algorithm）最初是由J.Holland教授于1975年提出。它是一種仿照達爾文生物進化過程的模型，用來隨機搜索最優(yōu)解。其主要特點是初始搜索不需要先驗知識，具有簡易靈活、全局并行搜索、魯棒性強的優(yōu)點。尤其適合解決規(guī)模大、非線性的多目標(biāo)優(yōu)化問題。

1 遺傳算法的原理

遺傳算法是在擇優(yōu)過程中留下有用的，淘汰無用的。通過選擇、交叉和變異等操作實現(xiàn)。選擇的作用是從當(dāng)前種群中選取適應(yīng)度較高的個體保留下來；交叉的作用是指交換兩個編碼之間的部分從而產(chǎn)生新的個體；變異則是保持多樣性的重要途徑，通過改變個體上某一位基因的值來獲取新個體。通過遺傳操作，產(chǎn)生新的優(yōu)化的一代，并依賴適應(yīng)度函數(shù)對其個體進行評估，保留優(yōu)秀的個體，重復(fù)此過程，不斷地?fù)駜?yōu)淘劣，從而找到問題的最優(yōu)解[1]。

2 遺傳算法的實現(xiàn)

在實際的工程中，實際變量總是不能被遺傳算法直接作用。因此，需利用編碼將實際變量轉(zhuǎn)變?yōu)槟軌蛑苯犹幚淼膶ο螅谟嬎銠C任意或在一定約束條件下產(chǎn)生初始種群，依據(jù)適應(yīng)度函數(shù)來評定種群中個體的好壞，并判斷是否符合優(yōu)化準(zhǔn)則。接著如同自然界中一樣，利用選擇算子依據(jù)適應(yīng)度的高低選擇個體，再接下來的繁殖過程中，進行交叉、變異等操作，產(chǎn)生新的個體，反復(fù)上述操作，直到滿足優(yōu)化準(zhǔn)則。進化過程中的最后一代的最優(yōu)解即為優(yōu)化的結(jié)果。

3 遺傳算法的應(yīng)用

3.1在計算機科學(xué)與人工智能方面

遺傳算法在計算機科學(xué)與人工智能領(lǐng)域中的應(yīng)用主要有數(shù)據(jù)挖掘、模式識別、數(shù)據(jù)庫查詢優(yōu)化等。有王東龍等[2]基于遺傳算法，針對大型商場管理系統(tǒng)進行了最優(yōu)客戶群體的數(shù)據(jù)挖掘。有張晗等[3]利用遺傳算法對縱搖運動模式進行了識別，表明優(yōu)化模型具有一定可行性。有潘潁等[4]利用遺傳算法對分布式數(shù)據(jù)庫查詢進行優(yōu)化，能獲得更理想的查詢優(yōu)化方案。

3.2在多目標(biāo)函數(shù)優(yōu)化方面

利用遺傳算法能有效求得多目標(biāo)優(yōu)化問題的Pareto最優(yōu)解。有Cao K等[5]基于邊界的快速遺傳算法（BFGA）的啟發(fā)式方法，基于經(jīng)濟效益、環(huán)境和生態(tài)效益、社會公平、轉(zhuǎn)換成本、因地質(zhì)宜性、生態(tài)適應(yīng)性、可獲得性，緊湊性和兼容性等多個目標(biāo)和約束，以搜索具有的土地利用分配問題的最優(yōu)解。丁勝祥等[6]基于Pareto強度進化算法，有效解決了水庫的多目標(biāo)優(yōu)化調(diào)度問題。Li X等[7]基于遺傳算法，將最大經(jīng)濟效益最大生態(tài)效益、最大適應(yīng)性和最大的緊密度制定為目標(biāo)，將住宅空間需求和一些監(jiān)管知識被設(shè)定為制約因素，構(gòu)建土地利用多目標(biāo)優(yōu)化模型。

3.3 在控制領(lǐng)域方面

遺傳算法在控制領(lǐng)域方面的應(yīng)用主要有系統(tǒng)參數(shù)識別、控制器參數(shù)優(yōu)化等。有朱奕等[8]利用遺傳算法完成了Bouc-Wen模型的參數(shù)識別，識別過程對類似模型的參數(shù)識別具有一定參考意義。有李曉芳等[9]運用自適應(yīng)遺傳算法，對航天器中隔振系統(tǒng)的參數(shù)進行了優(yōu)化，結(jié)果表明，該算法具有較快的收斂速度，優(yōu)化效果較好。有韓鋮等[10]利用遺傳算法對四旋翼飛行器最優(yōu)控制系統(tǒng)進行了仿真，結(jié)果表明，此方法使得四旋翼飛行器具有良好的動態(tài)性能。

結(jié)束語

經(jīng)過多年的發(fā)展，遺傳算法逐漸被人們接受并應(yīng)用到很多領(lǐng)域。但其仍存在一些問題，遺傳算法在運行時容易陷入局部最優(yōu)，不能有效搜索到全局最優(yōu)解。遺傳算法在處理規(guī)模較大的群體時，需要對大量個體進行適應(yīng)度進行計算，導(dǎo)致運行速度很慢的問題。此外，遺傳算子的參數(shù)難以控制，算法方向不好把握，因此如何提高算法的收斂速度和改善搜索能力，如何加強對遺傳算法自身理論的研究，如何將遺傳算法與其他智能算法更好的相結(jié)合使用將成為進一步的研究方向。

注釋：

[1]馬永杰， 云文霞. 遺傳算法研究進展[J]. 計算機應(yīng)用研究， 2012， 29（4）：1201-1206.

[2]王東龍， 李茂青. 基于遺傳算法的數(shù)據(jù)挖掘技術(shù)應(yīng)用[J]. 南昌大學(xué)學(xué)報（工科版）， 2005， 27（1）：81-84.

[3]張晗， 馬建紅. 基于遺傳算法的縱搖運動模式識別模型分析[J]. 艦船科學(xué)技術(shù)， 2015， 37（11）：35-38.

[4]潘潁. 自適應(yīng)遺傳算法在分布式數(shù)據(jù)庫查詢優(yōu)化中的應(yīng)用[J]. 內(nèi)蒙古師大學(xué)報（自然漢文版）， 2016， 45（1）：94-97.

[5] Cao K， Huang B， Wang S， et al. Sustainable land use optimization using Boundary-based Fast Genetic Algorithm[J]. Computers Environment & Urban Systems， 2012， 36（3）：257-269.

[6]丁勝祥， 董增川， 王德智，等. 基于Pareto強度進化算法的供水庫群多目標(biāo)優(yōu)化調(diào)度[J]. 水科學(xué)進展， 2008， 19（5）：679-684.

[7]Li X， Parrott L. An improved Genetic Algorithm for spatial optimization of multi-objective and multi-site l and use allocation[J]. Computers Environment & Urban Systems， 2016， 59：184-194.

[8]朱奕， 章紅梅. 基于遺傳算法的鋼筋混凝土剪力墻Bouc-Wen模型參數(shù)識別[J]. 結(jié)構(gòu)工程師， 2016， 32（4）：58-65.

[9]李曉芳， 吳洪濤， 丁力. 基于自適應(yīng)遺傳算法的隔振系統(tǒng)參數(shù)優(yōu)化計算[J]. 機械設(shè)計與制造工程， 2016， 45（6）：27-31.

[10]韓鋮，張彥軍. 基于遺傳算法的四旋翼飛行器最優(yōu)控制[J/OL]. 電光與控制，：1-9（2017-09-14）.