《2022年遗传算法原理研究及应用 .pdf》由会员分享，可在线阅读，更多相关《2022年遗传算法原理研究及应用 .pdf（8页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、2007届毕业生毕业论文题目: 遗传算法原理研究及应用院系名称：XXXXXXXXXX 专业班级：XXXXXXXXXXXXXXXXXX 学生姓名：XXXXX 学号：XXXXXXXX 指导教师：XXXXX 教师职称：XXXXX 2011年 4 月 28 号名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 1 页，共 8 页 - - - - - - - - - 遗传算法的原理与应用摘要: 遗传算法是基于自然界生物进化基本法则而发展起来的一类新算法。本文在简要介绍遗传算法的起源与发展、算法原理
2、的基础上, 对算法在优化、拟合与校正、结构分析与图谱解析、 变量选择、 与其他算法的联用等方面的应用进行了综述。该算法由于无需体系的先验知识, 是一种全局最优化方法 , 能有效地处理复杂的非线性问题 , 因此有着广阔的应用前景。关键词 : 遗传算法 ; 化学计量学 ; 优化THEORY AND APPL ICATION OF GENETIC AL GORITHM ABSTRACT: Genetic Algorithm( GA) is a kind of recursive computational procedure based on the simulation of principle
3、principles of evaluation of living organisms in nature1Based on brief int roduction of the principle ,the beginning and development of the algorithms ,the paper reviewed its applications in the fields of optimization ,fitting and calibration,structure analysis and spectra interpretation variable sel
4、ection ,and it s usage in combination with othersThe application of GA needs no initiating knowledge of the system ,and therefore is a comprehensive optimization method with extensive application in terms of processing complex nonlinear problems 。KEY WORDS : Genetic Algorithm( GA) ; Chemometrics ; O
5、ptimization 遗传算法是在模拟自然界生物遗传进化过程中形成的一种自适应优化的概率搜索算法，它于 1962年被提出，直到 1989年才最终形成基本框架。遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索算法, 由美国 J. H. Ho llad 教授提出 , 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。该算法尤其适用于处理传统搜索方法难以解决的复杂和非线性问题, 可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。顾名思义 , 遗传算法 (Genetic Algorithm ,GA)是模拟自然界生物进化机制的一种算法 , 即遵循适者生存、优胜劣汰的法则
6、, 也就是寻优过程中有用的保留 ,无用的则去除。在科学和生产实践中表现为 , 在所有可能的解决方法中找出最符合该问题所要求的条件的解决方法 , 即找出一个最优解。 这种算法是 1960 年由Holland 提出来的 , 其最初的目的是研究自然系统的自适应行为 , 并设计具有自适应功能的软件系统。 它的特点是对参数进行编码运算 , 不需要有关体系的任何名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 2 页，共 8 页 - - - - - - - - - 先验知识 , 沿多种路线进行平行
7、搜索 , 不会落入局部较优的陷阱 , 能在许多局部较优中找到全局最优点 , 是一种全局最优化方法。 近年来 , 遗传算法已经在国际上许多领域得到了应用。1985 年召开了第 1 届有关遗传算法的国际会议 ,第 1 部关于这方面的专著在 1989 年问世。遗传算法是一种有广泛应用前景的算法 但是它的研究和应用在国内尚处于起步阶段。 遗传算法是一种基于生物的自然选择和群体遗传机理的搜索算法。它模拟了自然选择和自然遗传过程中发生的繁殖、交配和突变现象。它将每个可能的解看做是群体（所有可能解）中的一个个体，并将每个个体编码成字符串的形式，根据预定的目标函数对每个个体进行评价，给出一个适应度值。开始时总
8、是随机地产生一些个体（即候选解），根据这些个体的适应度利用遗传算子对这些个体进行操作，得到一群新个体， 这群新个体由于继承了上一代的一些优良性状，因而明显优于上一代， 这样逐步朝着更优解的方向进化。 遗传算法在每一代同时搜索参数空间的不同区域，然后把注意力集中到解空间中期望值最高的部分，从而使找到全局最优解的可能性大大增加。作为进化算法的一个重要组成部分， 遗传算法不仅包含了进化算法的基本形式和全部优点，同时还具备若干独特的性能：(1) 在求解问题时，遗传算法首先要选择编码方式，它直接处理的对象是参数的编码集而不是问题参数本身， 搜索过程既不受优化函数连续性的约束，也没有函数导数必须存在的要求
9、。 通过优良染色体基因的重组， 遗传算法可以有效地处理传统上非常复杂的优化函数求解问题。(2) 若遗传算法在每一代对群体规模为n 的个体进行操作，实际上处理了大约O（n3）个模式，具有很高的并行性，因而具有明显的搜索效率。(3) 在所求解问题为非连续、多峰以及有噪声的情况下，能够以很大的概率收敛到最优解或满意解，因而具有较好的全局最优解求解能力。(4) 对函数的性态无要求，针对某一问题的遗传算法经简单修改即可适应于其他问题，或者加入特定问题的领域知识，或者与已有算法相结合， 能够较好地解决一类复杂问题，因而具有较好的普适性和易扩充性。(5) 遗传算法的基本思想简单，运行方式和实现步骤规范，便于
10、具体使用。1 算法原理1.1 基本遗传算法在自然界 , 由于组成生物群体中各个体之间的差异 , 对所处环境有不同的适应和生存能力 , 遵照自然界生物进化的基本原则 , 适者生存、优胜劣汰 , 将要淘汰那些最差个体 , 通过交配将父本优秀的染色体和基因遗传给子代 , 通过染色体核基因的重新组合产生生命力更强的新的个体与由它们组成的新群体。在特定的条件下 , 基因会发生突变 , 产生新基因和生命力更强的新个体; 但突变是非遗传的 , 随着个体不断更新 , 群体不断朝着最优方向进化 , 遗传算法是真实模拟自然界生物进化机制进行寻优的。 在此算法中 , 被研究的体系的响应曲面看作为一个群体 , 相应曲
11、面上的每一个点作为群体中的一个个体 , 个体用多维向量或矩阵来描述 , 组成矩阵和向量的参数相应于生物种组成染色体的基因 , 染色体用固定长度的二进制串表述 , 通过交换、突变等遗传操作 , 在参数的一定范围内进行随机搜索 , 不断改善数据结构 , 构造出不同的向量 , 相当于得到了被研究的不同的解 , 目标函数值较优的点被保留 , 目标函数值较差的点被淘汰。 由于遗传操作可以越过位垒 , 能跳出局部较优点 , 到达全局最优点。名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 3 页，
12、共 8 页 - - - - - - - - - 遗传算法是一种迭代算法 , 它在每一次迭代时都拥有一组解 , 这组解最初是随机生成的 , 在每次迭代时又有一组新的解由模拟进化和继承的遗传操作生成 , 每个解都有一目标函数给与评判 , 一次迭代成为一代。典型的算法步骤有: (1) 初始化 , 即随机生成一个符号串群体; (2) 基于适度函数对符号串进行评价; (3) 应用一组遗传操作生成一个新的符号串群体; (4) 重复步骤 (2) 和(3) 直至结果收敛。基于对自然界中生物遗传与进化机理的模仿，针对不同的问题， 很多学者设计了许多不同的编码方法来表示问题的可行解，开发了许多种不同的遗传算子来模
13、仿不同环境下的生物遗传特性。这样，由不同的编码方法和不同的遗传算子就构成了各种不同的遗传算法。 但这些遗传算法都有共同的特点，即通过对生物遗传和进化过程中选择、 交叉、变异机理的模仿， 来完成对问题最优解的自适应搜索过程。基于这个共同特点，Goldberg 总结出了一种统一的最基本的遗传算法基本遗传算法（ simple genetic algorithms，简称 SGA ）20 。基本遗传算法只使用选择算子、 交叉算子和变异算子这三种基本遗传算子，其遗传进化操作过程简单， 容易理解， 是其他一些遗传算法的雏形和基础，它不仅给各种遗传算法提供了一个基本框架，同时也具有一定的应用价值。下面给出基本
14、遗传算法的构成要素：(1) 染色体编码方法。基本遗传算法使用固定长度的二进制符号串来表示群体中的个体，其等位基因是由二值符号集0，1所组成的。 初始群体中各个个体的基因值可用均匀分布的随机数来生成。如：X=100111001000101101 就可表示一个个体，该个体的染色体长度是n=18。(2) 个体适应度评价。基本遗传算法按与个体适应度成正比的概率来决定当前群体中每个个体遗传到下一代群体中的机会多少。为正确计算这个概率， 这里要求所有个体的适应度必须为正数或零。这样，根据不同种类的问题， 必须预先确定好由目标函数值到个体适应度之间的转换规则，特别是要预先确定好当目标函数值为负数时的处理方法
15、。(3) 遗传算子。基本遗传算法使用下述三种遗传算子：选择运算使用比例选择算子；交叉运算使用单点交叉算子；变异运算使用基本位变异算子或均匀变异算子。(4) 基本遗传算法的运行参数。基本遗传算法有下述4 个运行参数需要提前设定：N ：群体大小，即群体中所含染色体的数量，一般取为20100。maxgen ：遗传运算的终止进化代数，一般取为100500。pc ：交叉概率，一般取为0.4 0.99 。pm ：变异概率，一般取为0.00010.1 。需要说明的是，这里给出的 4 个运行参数的取值范围是在经过了多次试验后得到的经验值， 它们对遗传算法的求解结果和求解效率都有一定的影响，但目前尚无合理选择它
16、们的理论依据。 所以我们在遗传算法的实际应用中，要根据问题的不同并经过多次试验来合理地选择这些参数的取值大小或取值范围。1.2 遗传算法的运算流程遗传算法的主要运算流程如下：名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 4 页，共 8 页 - - - - - - - - - 步骤一：初始化。设置进化代数计数器t=0；设置最大进化代数T；随机生成 M个个体作为初始群体P(0) 。步骤二：个体评价。计算群体P(t) 中各个个体的适应度。步骤三：选择运算。将选择算子作用于群体。步骤四：交
17、叉运算。将交叉算子作用于群体。步骤五：变异运算。将变异算子作用于群体。群体P(t) 经过选择、交叉、变异运算之后得到下一代群体P(t+1) 。步骤六：终止条件判断。若t T，则： t=t+1 ，转到步骤二；若tT，则以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。具体的流程示意图见图2 所示。图 2 遗传算法的运算过程示意2 遗传算法的应用遗传算法可处理连续变量参数的优化问题 , 特别是适用于复杂非线性问题的处理。可用于 NMR 脉冲形状分析、 RNA 核苷酸测定、 DNA 构象分析、分子识别和设计、变量选择等 , 在分析化学、环境科学、机械设计中的应用也非常广泛。2.1 优
18、化遗传算法用于优化的研究成果目前已经发表了较多的论文。这些成果有的是对此算法进行改进 , 如李通化等给出了一种动态的遗传算法 , 详细讨论了变异函数对优化进程的影响 , 并用红外光谱数据和二极管阵列检测液相色谱数据进行了验证。杨立民等运用双极性压缩函数适应度定标和基于排挤方法的选择算子改进标准遗传算法 (SGA) , 使其成为简单通用、 快速收敛的并行全局搜索算法;利用该算法优化误差反向传播网络 (BPN) , 克服了 BPN 收敛慢和不具有全局收敛性的缺陷 , 并在此基础上 , 建立大气环境质量评价模型。张昆等为了使金属切削加工中切削参数能实现实时优化以保证产品质量和设备效率 , 提出采用遗
19、群体 P(t)选择运算交叉运算变异运算群体 P(t+1) 解码解集合个体评价遗传空间解空间名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 5 页，共 8 页 - - - - - - - - - 传算法 , 结合现场实际工况的反馈信息实现了实时优化 , 在任一不同的生产条件下均能达到最优值。也有应用遗传算法去解决某一实际问题 , 如宋仁国等将人工神经网络用于建立 7175 铝合金的性能预测模型 , 在此基础上 , 采用遗传算法对其工艺进行优化; 王举等将间歇化工过程的最优设计问题 ,
20、分解为只包含离散变量的主导问题和只含连续变量的子问题 , 把遗传算法和线性规划法结合起来对其进行求解 , 并在算法中引入了一类新的算子 , 显著地提高了收敛概率。2.2 拟合与校正分析仪器是通过分析信号的检测从而得到物质的浓度 , 因此对仪器信号的分辨和校正就显得尤为重要。蔡煜东等将遗传算法用于化学校正 , 运用改进的遗传算法拟合离子选择电极工作曲线 , 并以半对数线性函数模型和二阶幂函数模型尝试了该算法的效果; 结果表明 , 改进的遗传算法性能较好 , 优于一般遗传算法和直线回归法 , 可望成为各类传感器非线性曲线拟合的有效手段。蔡煜东还提出非线性多元函数拟合的遗传算法 , 为分析化学中非线
21、性函数拟合、 曲线校正提供了一种性能较好的方法。孙雪峰等研究了遗传算法求解复杂穆斯堡尔谱的方法 , 得到了满意的结果。姚萌等从一系列雷达信号图像获得必要的物体的相关信息 , 以遗传算法对其进行处理 , 将探测目标定位转换为曲线拟合 , 在地下遗址探测中取得了较好结果。曲铁军等设计了使用遗传算法的自适应滤波器 ,给出了离线和在线两种实现方案。 离线方案以识别滤波参数为主要目的 , 进而可以对状态进行较准确的事后估计; 在线方案以实时地对状态进行估计为目的 , 对滤波器参数寻优采用具有良好性能的浮点编码遗传算法。2.3 结构分析与图谱解析结构分析在有机化学和药物化学领域中的应用是非常广泛的, 遗传
22、算法主要应用在需要分子三维构像信息的时候 , 这在合成新的有机化合物和药物、 充分合理地利用天然资源具有重要的意义 , 邓勃对这方面的应用作了简要的评述。侯廷军等 对遗传算法在计算机辅助药物分子设计中的应用做了系统阐述。蔡文生等提出一种采用整数编码和基于节点基因交换方式的遗传算法 , 并应用于化学结构图的同态研究。遗传算法在一组随机生成的表示目标结构与查询结构节点间映射关系的整数串中进行逐步优化 , 直到找出与查询结构匹配的映射 , 从而实现化学结构图的同态匹配。卢佩章等将遗传算法引入色谱峰解析程序 , 结合色谱峰模型及峰形经验公式实现了恒温色谱图的全自动解析。陈闽军等提出了一种基于遗传算法的
23、色谱指纹峰配对识别方法 , 该方法根据色谱指纹图谱峰分布特性初选出若干标定峰 , 将其存入一个候选标定峰库 , 同时根据这些候选标定峰从待测指纹图谱中选出相应的候选标定峰 , 以遗传算法对指纹峰进行识别。2.4 变量选择在各领域中 , 都存在目标函数与影响因素的某种关系 , 而这些影响因素是千变万化的 , 它们的数量巨大 , 如何从大量的影响因素中寻找到最有利于建模的因素就成了研究的重要课题 , 遗传算法在这方面显示了它的优势。Leardi R ,Barros A S 等将遗传算法用于主成分的选择。郑延斌等将遗传算法应用于过饱和溶液 Li2O 3B2O3 - H2O 体系结晶过程动力学参数辨识
24、 , 确定了结晶反应速率常数、热力学平衡浓度和表观反应级数。另外 , 遗传算法也可以用于光度分析中波长的选择 , 进而用回归算法求解。夏之宁等将遗传算法用于紫外光谱数据处理 , 实现了多元分辨与校正 , 并对多组分分析体系进行同时定量测量。杨杰等 介绍了激光切割、拼焊的一种基于遗传算法的神经网络工艺参数选择方法的名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 6 页，共 8 页 - - - - - - - - - 原理及实现方法 , 通过遗传和变异的方法来优化和选择权值进行评价 ,
25、从而达到了智能化选择参数的目的。章元等在传统的遗传算法中引入 Metropolis 接受准则 , 结合有序 Gram -Schmidt 正交化 , 得到了预测能力较强的模型 , 该法用于处理钢中微量元素及热处理工艺条件与钢的力学性能关系问题 , 是一种较实用的变量筛选方法。2.5 与神经网络的联用近年来神经网络研究成为国际前沿的科学研究领域之一, 将神经网络与遗传算法联用 , 具有更强的建模、寻优等能力。孙卫国等用遗传算法训练神经网络 ,为苯乙酸胺类化合物的 QSAR 建模 , 效果良好。王雅琳等针对电力部门提出的分时计价原则 , 以锌电解过程为研究对象 , 用生产过程数据建立了不同酸度下电流
26、密度与电流效率间关系 , 由此建立了分时供电优化模型 , 并用一种变形的多变量递推最小二乘自适应策略不断修正优化模型 , 采用高效模拟退火优化算法 , 引入惩罚算子 , 求解带非线性约束和边界约束的优化问题 , 获得了合理的分时供电方案。路文江等利用人工神经网络的自学习以及非线性逼近能力对材料元素与硬度的相关性进行拟合和预测 , 并用遗传算法的强寻优能力对喷涂材料成分进行优化。张玉祥将遗传算法、小波分析、人工神经网络和模拟退火思想结合起来 , 提出了用遗传算法来学习小波神经网络层间的权值、尺度参数和位置参数 , 将其应用于矿压预报 , 得到了比传统神经网络更优的效果。何耀华等针对化工过程系统中
27、难于建立机理模型的过程或设备 , 提出了集成运用神经网络和遗传算法的优化方法(NN -GA 方法) , 并介绍了对神经网络训练算法的有效改进以及 NN - GA 方法的实施过程 , 给出了应用实3 结论遗传算法的研究归纳起来可分为理论与技术研究和应用研究两个方面。可以说，遗传算法的应用已经渗透到了各个领域。但目前遗传算法的算法分析和理论分析还没有跟上，还有很多富有挑战性的课题亟待完善与解决，主要有：(1) 算法规模小。虽然遗传算法模拟了生物的进化过程，但目前遗传算法的运行规模还远小于生物的进化规模。 随着计算机系统性能的不断提高，人们将有可能实现模拟更接近于自然的进化系统， 从而充分利用遗传算
28、法的并行性解决更复杂更有价值的问题。(2) 遗传算法的编码问题。编码是遗传算法求解问题的前提，最基本的是二进制编码。其他的编码方法有格雷码、实数编码、符号编码、多参数编码和DNA 编码等。不同的应用应该采用不同的编码方式，因此基于不同的应用， 遗传算法的编码还有待改进与完善。(3) 遗传算法控制参数的选择问题。遗传算法中控制参数的不同选取会对遗传算法的性能产生较大的影响， 将影响到整个算法的收敛性。 这些参数包括交叉概率(P。) 、变异概率 ( 儿) 和种群数目 (J7v 。) 等。(4) 早熟收敛和局部搜索能力差问题。早熟收敛和局部搜索能力差是遗传算法最突出的两个问题。 有很多学者针对这两个
29、问题发表了大量的学术文章，但从根本上解决这两个问题还有待研究发现。(5) 遗传算子的无方向性问题。基本遗传算子包括选择算子、交叉算子和变异算子。设计性能优良的遗传算子一直是遗传算法的重要问题，如果能从遗传算子的方向性着手改进遗传算法， 有可能会得到意想不到的结果。 对上述问题的深入研究必将大大促进遗传算法理论和应用的发展，遗传算法也必将在智能计算领域中名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 7 页，共 8 页 - - - - - - - - - 展现出更加光明的前景。参考文献
30、： 1 Mahoney M, Bader A, ElradT, et al. Using Aspect toAbstr act and Modular ize Stat echart s C / / T he 5th AspectOriented Modeling Wor ksho p in Co njunctio n WithUML. 2004 Lisbon, Por tug al, 2004, 10 2 Aldawud O, Elr ad T Bader A. UML pr ofile for aspecto riented so ftwar e development C / / po
31、sition paper forthe Third inter nat ional wo rkshop on Aspect Orientedmodeling , 2003 3 S. Clar ke, R. J. Walker. Composition Patter ns: AnAppr oach to DesigningReusable Aspect s C / / Proceedings of t he 23, International Confer ence on So ftwar e Engineer ing , T or onto, Canada, IEEE ComputerSoci
32、tety, 2001 4 Ro ber t E. Filman, T zilla Elrad, SiobhanClarke, et a l.面向方面的软件开发 M . 莫倩 , 王凯 , 译. 北京 : 机械工业出版社, 2006 5 Craig Larman. UML 和模式应用 M . 第三版 . 李洋郑等译 . 北京 : 机械工业出版社 6 杨敬中 , 戎玫 . 面向方面的软件系统动态交互行为建模 J . 计算机工程与科学, 2007, 29( 11) : 137 139 7 刘畅 . 基于 UML 的面向方面建模框架的研究与实现 D . 广州 : 中山大学 , 2008 8 Pender T. UML 宝典 M . 耿国桐 , 史立奇 , 叶卓映 , 等致谢在我毕业论文开题、调查、研究和撰写过程中，XXX 老师给予了我耐心、细致和全面的帮助， 这会使我终生受益。 感谢母校内所有教过我的老师和使我受教的老师们，他（她）们无私的传道、授业、解惑，让我能辨事理、明是非，让我在人生的长路上向前迈进一大步。本文参考了大量的文献资料，在此，向各学术界的前辈们致敬！名师资料总结 - - -精品资料欢迎下载 - - - - - - - - - - - - - - - - - - 名师精心整理 - - - - - - - 第 8 页，共 8 页 - - - - - - - - -