基于遺傳算法的基本研究

劉芳芳

一、研究目的

隨著高等獨立院校教學改革的逐漸深化，我校一直秉承“淘汰水課，打造金課”的教學理念，不斷使用最前沿的思想理念豐富我校學生的課程設置。目前，人工智能、機器學習等概念逐漸走入實際應用領域中，我校也緊隨時代發展，開設“人工智能”相關課程。然而，在教學科研過程中，由于學生對課程內容理解比較片面模糊，課程內容又過于抽象深奧玄妙，造成教學效果不盡如人意。因此，現對人工智能中應用比較廣泛的“遺傳算法”問題進行深入的探討，以期讓學生可以有能力完全掌握并理解其內含、實質和實際應用。

二、研究內容

2.1遺傳算法簡介

生物學中普遍認為，物種的繁衍規則是優勝劣汰，優秀的物種的后代將擁有更大概率的良性進化，從而逐漸穩定其良性特征，不斷優化自身，最終把優秀的基因傳遞下去;不良的物種的后代則更容易放大上一代的缺點，從而將不良基因一代代傳遞下去，最終表現為對環境的不適應，最終被淘汰。這就是達爾文的進化論中的遺傳和自然選擇問題。

基于以上原則，我們對某一問題的求解，可以理解為對事物表現行為進行不斷的變換、優化計算，將完成概率高的解保留下來，淘汰概率逐漸降低的解，最終求得基于一定概率條件下最優解的過程。

2.2遺傳算法的實質

我們以生物進化方向為例，描述遺傳算法的實質問題。

在一個生物種群中，每一個生物都擁有自己獨特的DNA編碼，這個編碼不是只表示一個單獨的信息，而是一組基因片信息的集合體。為了更加清晰明確的表示一個生物種群中的每一個具體個體的特征，我們對每一個生物以其DNA為特征進行編碼描述。當我們用不同的編碼把種群中每一個生物描述完成后，我們就得到了一個隨機的群體空間。群體空間并不是靜止的，而是隨著時間不斷發生著某些有意義、有內含的變化，隨著種群的不斷發展，生物將相互繁衍產生后代。也就是說，生物的基因片將在它們的后代中進行隨機重組。

如果我們在種群中選擇擁有若干最適合生存的基因片的生物個體作為研究對象，即在種群中，首先進行個體適應種群繁衍的適應性，找出適應性強的個體，淘汰適應性弱、差、表達不良的個體，進行數代的繁衍。這些具有高適應性生物之間產生的后代，將不斷把優秀的基因片進行相互疊加，逐漸產生出經過基因優化的后代，并且淘汰落后的個體。在每一次新生成的一代生物種群中，再次選擇最優秀的基因片，繼續進行繁衍，隨著世代的增加，其后代DNA中的優秀基因片信息將不斷疊加，直至得到最優個體。

在種群繁衍的過程中，我們應充分考慮以下問題：

（1）生物的種群應該是具有普遍性的，隨機性的種群，這樣才具備研究價值和研究意義。（2）生物在進化，種群也在發展，因此每代選擇的生物個體應是最適應當前種群發展的。（3）種群繁衍過程中，應嘗試將父代的部分基因片進行交換，得到新的后代DNA，這樣有很大的概率可以得到優化的后代。（4）在偶然的情況下，DNA會產生不可預知的變異，這種變異可能是好的，也可能是壞的，將會導致種群中部分生物族群的跳變進化或加速湮滅。因此，應充分重視這些變異，以獲得多樣性的后代，來增強整個種群的活性，加速種群的整體進化。

2.3遺傳算法評價

（1）使用遺傳算法對種群編碼時，采用映射的機制，可能會因為人的主觀性而比較容易出現多樣性和不確定性。

（2）單一的遺傳算法編碼不能全面地將優化問題的約束表示出來。考慮約束的一個方法就是對不可行解采用閾值，這樣，計算的時間必然增加。

（3）遺傳算法由于需要編碼以及選擇后代進行交叉和變異，反而需要更長的運算時間。

（4）遺傳算法由于選擇樣本的隨機性可能導致種群的過早淘汰。

（5）遺傳算法對算法的精度、可行度、計算復雜性等方面，還沒有有效的定量分析方法。

三、發展前景

目前，遺傳算法主要應用在以下幾個方面：

（1）非線性測試函數的優化領域。遺傳算法中的適應度函數充分描述出個體信息基因傳遞下去的能力，因此，對適應度的優化就顯得十分重要。選擇適當的適應度函數以及對函數進行優化，將能夠更加清晰的表示個體對環境的適應性。

（2）搜索最優解領域。種群的規模直接決定了搜索最優解的范圍。遺傳算法的本質是搜索最優解，它對求解旅行商問題、背包問題、裝箱問題、圖形劃分問題等方面已經得到成功的應用。

（3）調度領域。找尋最優良的調度方案，將幫助人們快速、準確的完成具有多個步驟的多個任務。通過遺傳算法，將在限定條件內使多任務多步驟工作在最快的時間內完成。

四、總結

在人工智能的浩瀚星空中，遺傳算法僅僅是其中一顆比較有代表性的恒星，對它的研究將不斷進行下去，并且我們已經在持續不斷的對它進行優化和改進，以獲得更快速的求解過程和更準確的結果，它也將擁有越來越廣闊發展空間和應用方向。