机电之家论文网

    遗传算法(Genetic Algorithm, GA)是近几年发展起来的一种崭新的全局优化算法，它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个个体的适应性的提高。这一点体现了自然界中"物竞天择、适者生存"进化过程。1962年Holland教授首次提出了GA算法的思想，从而吸引了大批的研究者，迅速推广到优化、搜索、机器学习等方面，并奠定了坚实的理论基础。 用遗传算法解决问题时，首先要对待解决问题的模型结构和参数进行编码，一般用字符串表示，这个过程就将问题符号化、离散化了。也有在连续空间定义的GA(Genetic Algorithm in Continuous Space, GACS)，暂不讨论。

　　一个串行运算的遗传算法(Seguential Genetic Algoritm, SGA)按如下过程进行：

　　(1) 对待解决问题进行编码；
　　(2) 随机初始化群体X(0):=(x1, x2, … xn)；
　　(3) 对当前群体X(t)中每个个体xi计算其适应度F(xi)，适应度表示了该个体的性能好坏；
　　(4) 应用选择算子产生中间代Xr(t)；
　　(5) 对Xr(t)应用其它的算子，产生新一代群体X(t+1)，这些算子的目的在于扩展有限个体的覆盖面，体现全局搜索的思想；
　　(6) t:=t+1；如果不满足终止条件继续(3)。
　　GA中最常用的算子有如下几种：
　　(1) 选择算子(selection/reproduction): 选择算子从群体中按某一概率成对选择个
体，某个体xi被选择的概率Pi与其适应度值成正比。最通常的实现方法是轮盘赌(roulette wheel)模型。
　　(2) 交叉算子(Crossover): 交叉算子将被选中的两个个体的基因链按概率pc进行交叉，生成两个新的个体，交叉位置是随机的。其中Pc是一个系统参数。
　　(3) 变异算子(Mutation): 变异算子将新个体的基因链的各位按概率pm进行变异，对二值基因链(0,1编码)来说即是取反。
　　上述各种算子的实现是多种多样的，而且许多新的算子正在不断地提出，以改进GA的某些性能。系统参数(个体数n,基因链长度l,交叉概率Pc,变异概率Pm等)对算法的收敛速度及结果有很大的影响，应视具体问题选取不同的值。
　　GA的程序设计应考虑到通用性，而且要有较强的适应新的算子的能力。OOP中的类的继承为我们提供了这一可能。
　　定义两个基本结构：基因(ALLELE)和个体(INDIVIDUAL)，以个体的集合作为群体类TPopulation的数据成员，而TSGA类则由群体派生出来，定义GA的基本操作。对任一个应用实例，可以在TSGA类上派生，并定义新的操作。

　　TPopulation类包含两个重要过程：
　　FillFitness: 评价函数，对每个个体进行解码(decode)并计算出其适应度值，具体操作在用户类中实现。
Statistic: 对当前群体进行统计，如求总适应度sumfitness、平均适应度average、最好个体fmax、最坏个体fmin等。

　　TSGA类在TPopulation类的基础上派生，以GA的系统参数为构造函数的参数，它有4个重要的成员函数：
　　Select: 选择算子，基本的选择策略采用轮盘赌模型（如图2）。轮盘经任意旋转停止后指针所指向区域被选中，所以fi值大的被选中的概率就大。
　　Crossover: 交叉算子，以概率Pc在两基因链上的随机位置交换子串。
　　Mutation: 变异算子，以概率Pm对基因链上每一个基因进行随机干扰(取反)。
　　Generate: 产生下代，包括了评价、统计、选择、交叉、变异等全部过程，每运行一次，产生新的一代。
　　
　　SGA的结构及类定义如下(用C++编写)：
[code]　　typedef char ALLELE;　 // 基因类型
　　typedef struct{
　　ALLELE *chrom;
　　float fitness;　　　 　// fitness of Chromosome
　　}INDIVIDUAL;　　　　 　// 个体定义
　　
　　class TPopulation{　　 // 群体类定义
　　public:
　　int size; 　　// Size of population: n
　　int lchrom;　　 // Length of chromosome: l
　　float sumfitness, average;

　　INDIVIDUAL *fmin, *fmax;
　　INDIVIDUAL *pop;
　　
　　TPopulation(int popsize, int strlength);
　　~TPopulation();
　　inline INDIVIDUAL &Individual(int i){ return pop[i];};
　　void FillFitness();　　 // 评价函数
　　virtual void Statistics(); 　　// 统计函数
　　};
　　
　　class TSGA : public TPopulation{ 　　// TSGA类派生于群体类
　　public:
　　float pcross;　　 　　　　　　　　　// Probability of Crossover
　　float pmutation;　　 　　　　　　　// Probability of Mutation
　　int gen;　　　　　　　　　　　　　 // Counter of generation
　　
　　TSGA(int size, int strlength, float pm=0.03, float pc=0.6):
　　TPopulation(size, strlength)
　　{gen=0; pcross=pc; pmutation=pm; } ;
　　virtual INDIVIDUAL& Select();
　　virtual void Crossover(INDIVIDUAL &parent1, INDIVIDUAL &parent2,
　　INDIVIDUAL &child1, INDIVIDUAL &child2);
　　&child1, INDIVIDUAL &child2);
　　virtual ALLELE Mutation(ALLELE alleleval);
　　virtual void Generate(); 　　　　　// 产生新的一代
　　};
　　用户GA类定义如下：
　　class TSGAfit : public TSGA{
　　public:
　　TSGAfit(int size,float pm=0.0333,float pc=0.6)
　　:TSGA(size,24,pm,pc){};
　　void print();
　　}; [/code]
　　
　　由于GA是一个概率过程，所以每次迭代的情况是不一样的；系统参数不同，迭代情况也不同。在实验中参数一般选取如下：个体数n=50-200，变异概率Pm=0.03, 交叉概率Pc=0.6。变异概率太大，会导致不稳定。

　　参考文献
　　● Goldberg D E. Genetic Algorithm in Search, Optimization, and machine

　　Learning. Addison-Wesley, Reading, MA, 1989
　　● 陈根社、陈新海，"遗传算法的研究与进展"，《信息与控制》，Vol.23,
　　 NO.4, 1994, PP215-222
　　● Vittorio Maniezzo, "Genetic Evolution of the Topology and Weight Distri
bution of the Neural 　　Networks", IEEE, Trans. on Neural Networks, Vol.5, NO
.1, 1994, PP39-53
　　● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an 　　　Infinite Population Size in Continuous Space. Part Ⅰ
l Networks, Vol.5, NO.1, 1994, PP102-119
　　● Xiaofeng Qi, Francesco Palmieri, "Theoretical Analysis of Evolutionary
Algorithms with an 　　　Infinite Population Size in Continuous Space. Part Ⅱ
al Networks, Vol.5, NO.1, 1994, PP102-119
　　● Gunter Rudolph, Convergence Analysis of Canonical Genetic Algorithms, I
EEE, Trans. on Neural 　　Networks, Vol.5, NO.1, 1994, PP96-101
　　● A E Eiben, E H L Aarts, K M Van Hee. Gloable convergence of genetic alg
orithms: A Markov 　　　　chain analysis. in Parallel Problem Solving from Nat
ure. H.-P.Schwefel, R.Manner, Eds. Berlin 　　　and Heidelberg: Springer, 1991
, PP4-12
　　● Wirt Atmar, "Notes on the Simulation of Evolution", IEEE, Trans. on Neu
ral Networks, Vol.5, 　　NO.1, 1994, PP130-147
　　● Anthony V. Sebald, Jennifer Schlenzig, "Minimax Design of Neural Net Co
ntrollers for Highly 　　Uncertain Plants", IEEE, Trans. on Neural Networks, V
ol.5, NO.1, 1994, PP73-81
　　● 方建安、邵世煌，"采用遗传算法自学习模型控制规则"，《自动化理论、技术与应用》，中国自动化学会　　第九届青年学术年会论文集，1993, PP233-238
　　● 方建安、邵世煌，"采用遗传算法学习的神经网络控制器"，《控制与决策》，1993,8(3), PP208-212
　　● 苏素珍、土屋喜一，"使用遗传算法的迷宫学习"，《机器人》，Vol.16,NO.5,1994, PP286-289
　　● M.Srinivas, L.M.Patnaik, "Adaptive Probabilities of Crossover and Mutat
ion", IEEE Trans. on 　　S.M.C, Vol.24, NO.4, 1994 of Crossover and Mutation",
 IEEE Trans. on S.M.C, Vol.24, NO.4, 1994
　　● Daihee Park, Abraham Kandel, Gideon Langholz, "Genetic-Based New Fuzzy
Reasoning Models with 　　Application to Fuzzy Control", IEEE Trans. S. M. C,
Vol.24, NO.1, PP39-47, 1994
　　● Alen Varsek, Tanja Urbancic, Bodgan Filipic, "Genetic Algorithms in Controller Design and 　　　Tuning", IEEE Trans. S. M. C, Vol.23, NO.5, PP1330-13
39, 1993