遗传算法的应用

论 文

题 目： 遗传应用算法

院 系： 计算机工程系

专 业： 网络工程

班级学号：

学生姓名：

2014年10月23日

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 Algo

rithm( GA) is a kind of recursive computational

procedure based on the simulation of principle principles of evaluati

on of living organisms in nature1Based on brief int roduction of the

principle ,the beginning and development of the algorithms ,the pape

r reviewed its applications in the fields of optimization ,fitting an

d calibration,structure analysis and spectra interpretation variable

selection ,and it s usage in combination with othersThe application o

f GA needs no initiating knowledge of the system ,and therefore is a

第１１卷第４期　２ＯＯ２年１０月　云南民族学院学报（自然科学版）　Ｊｏｕｒｎａｌ　ｏｆ　Ｙｕｎｎａｎ　Ｕｎｉｖｅｒｓｉｔｙ　ｆｏｒ　Ｎａｔｉｏｎａｌｉｔｉｅｓ（Ｎａｔｕｒａｌ　Ｓｃｉｅｎｃｅｓ　Ｅｄｉｔｉｏｎ）　Ｖｏ１．１１．Ｎ０．４　Ｏｃｔ．２０ｏ２　

遗传算法及其应用　

余建坤　，　张文彬　陆玉昌　

（１．清华大学智能与系统国家重点实验室，北京，１０００８４；　２．蒙自师范高等专科学校计算机科学系，蒙自，６６１１００）　

摘要遗传算法是一种借鉴生物界自然选择和自然遗传机制的高度并行、随机、自适应搜索算法．文章介绍了遗传算　法的形成发展和基本原理，对其特点、存在问题、研究方向及应用进行探讨．　关键词遗传算法；　分类系统；　神经网络；　数据挖掘　【中图分类号］ＴＰ２７３　【文献标识码】Ａ　【文章编号】１００５－－７１８８｛２１）Ｙ２）０４—０１９３—０５　

遗传算法（Ｇｅｎｅｔｉｃ　ａｌｇｏｒｉｔｈｍ，简称ＧＡ）ｌ１　Ｊ是一种　

借鉴生物界自然选择和自然遗传机制的高度并行、　随机、自适应搜索算法．它是模仿自然界生物进化过　程中“物竞天择，适者生存”的原理而进行的一种多　

参数、多群体同时优化方法．经过２０多年的发展，遗　传算法已经在数据挖掘、生产调度、函数优化、机器　学习、图象处理等领域得到成功的应用，并显示出其　良好的性能．现对遗传算法的形成和发展、基本原　理、存在问题、研究方向及应用进行探讨．　

１遗传算法的形成和发展　

遗传算法起源于对生物系统所进行的计算机模　拟研究．美国Ｍｉｃｈｉｇａｎ大学的Ｈｏｌｌａｎｄ教授及其学生　门受到生物模拟技术的启发，创造出了一种基于生　物遗传和进化机制的适合于复杂系统优化的自适应　

概率优化技术——遗传算法．　Ｈｏｌｌａｎｄ教授用遗传算法的思想对自然和人工　

自适应系统进行了研究，提出了遗传算法的基本定　理——模式定理（Ｓｃｈｅｍａ　１１１ｅｏＩ踟），并于１９７５年出　版了第一本系统论述遗传算法和人工自适应系统的　专著（Ａｄａｐｔａｔｉｏｎ　ｉｎ　Ｎａｔｕｒａｌ　ａｎｄ　ａｒｔｉｆｉｃｉａｌ　Ｓｙｓｔｅｍｓ）），８０年　

龙源期刊网

遗传算法的应用

作者：徐文锋

来源：《卷宗》2013年第03期

遗传算法起源于上个世纪60年代，是一类模拟生物进化的智能优化算法，遗传算法是通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向。算法从一组随机产生的初始群体开始搜索过程，以适应度函数为依据，采用基于适应值比例的选择策略在当前种群中选择个体，通过杂交和变异来产生下一代种群。如此模仿生命的进化一代代演化下去，直到满足期望的终止条件为止。目前，遗传算法已成为进化计算研究的一个重要分支。

一、遗传算法的原理

遗传算法是模拟达尔文的生物自然选择学说和自然界的生物进化过程的一种自适应全局概率搜索算法。在解决具体问题时先大致确定问题的潜在解的一个集合，这个集合就是算法的初始种群。种群由计算机生成（一般是随机生成）的一定数目的个体组成，个体就是潜在解的计算机编码，那么我们最后要求的解就由这些初始生成的个体进化而来。每个个体具有其自的特征（携带不同基因），我们根据这些个体的不同的特征来确定其存活到下一代的可能性高低，按照优胜劣汰的法则，我们由父代来产生子代，如此来繁衍。

当然在具体的进化过程中为了保持种群多样性防止过早收敛，还要在其中使个体以一定小概率发生变异。这样在最后满足收敛条件后的种群最优个体就是问题的近似最优解。遗传算法的实现过程主要包括编码、产生群体、计算适应度、复制、交换、变异等操作。

二、遗传算法的应用

遗传算法提供了一种求解复杂系统优化问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性。所以，广泛应用于很多学科。下面是目前遗传算法的主要应用领域：

1、函数优化

工程上经常会遇到在多准则或多设计目标下设计和决策的问题，如果这些目标是相背的，需要找到满足这些目标的最佳设计方案。通常的做法是根据某有效函数将多目标合成单一目标来进行优化。

遗传算法应用论文

【摘要】遗传算法在安全评价中的出现为评价中的关键环节处理提供了有效方法，但是，我们必须注意到，比起充分利用目标函数值与相关辅助信息的算法，遗传算法是一个通用而又较少依赖于目标函数值与其他辅助信息的算法，当评价系统的有某些辅助信息可供使用时，舍弃应用本来可供应用的信息而去应用于这些信息无关的算法也不是一个聪明的选择。

1引 言

随着安全科学的不断发展，现如今我们在安全评价中运用的评价方法主要有以下几种：安全检查表评价法（SCL）、预先危险分析法（PHA）、事故树分析法（FTA）、事件树分析法（ETA）、作业条件危险性评价法（LEC）、故障类型和影响分析法（FMEA）、火灾/爆炸危险指数评价法、矩阵法等。这些安全评价方法是进行定性、定量安全评价的工具，依据安全评价目的和对象的不同，安全评价的内容和指标也不同。而在数据结构中的一些计算方法，我们也可以将其应用于安全评价中，如遗传算法。

2安全评价中求解最优解的计算方法及缺陷

在确定整体安全程度的过程中，影响最终结果的主要是系统中最小安全度所在的区域，由于不确定因素比较多，每个区域的条件、环境也不同，纯解析的方法很难寻找到最小安全度所在区域并进行极值计算。用最优化方法通过数值方法求解，是一个比较现实可行的途径。总的来看，最优化方法分为确定性方法和非确定性方法两个体系。确定性方法包括人们熟知的枚举法、单纯形法、负梯度法等。但是在使用这些方法就极值时，某些情况下计算往往不能搜索到整体的安全极值。经验表明，当问题包括较多的不确定参数或者局部环境相当复杂时， 它在计算过程中容易陷入局部最优，出现许多安全度的局部极值， 使搜索整体极值的任务变得十分困难，特别是所定义的目标函数是在不连续、非规则的情况下，它找到整体最优解的概率就更小了。非确定性方法利用计算机容量大、计算速度快的优点，通过大量随机采样来找到目标函数的最优值。但有时即使纳入随机搜索，仍不能很好地找到整体极值。