遺傳算法的原理及應(yīng)用研究

金靖喆

摘 要： 遺傳算法（Genetic Algorithms，簡(jiǎn)稱GA）是人工智能的重要新分支，是基于達(dá)爾文進(jìn)化論，在計(jì)算機(jī)上模擬生命進(jìn)化機(jī)制而發(fā)展起來的一門新學(xué)科。它根據(jù)適者生存、優(yōu)勝劣汰等自然進(jìn)化機(jī)制來進(jìn)行搜索計(jì)算和問題求解。本文主要介紹遺傳算法的原理，包括其定義及其實(shí)現(xiàn)步驟，以及遺傳算法的研究現(xiàn)狀和未來發(fā)展趨勢(shì)。

關(guān)鍵詞： 遺傳算法;研究現(xiàn)狀;發(fā)展

1. ?引言

遺傳算法在上世紀(jì)70年代由美國J.H.Holland博士提出的時(shí)候，并沒有引起學(xué)術(shù)界的關(guān)注，因而發(fā)展比較緩慢。從20世紀(jì)80年代中期開始，隨著人工智能的發(fā)展和計(jì)算機(jī)技術(shù)的進(jìn)步，遺傳算法逐漸成熟，應(yīng)用日漸增多，不僅應(yīng)用于人工智能領(lǐng)域（如機(jī)器學(xué)習(xí)和神經(jīng)網(wǎng)絡(luò)），也開始在工業(yè)系統(tǒng)中得到成功應(yīng)用，顯示出了誘人的前景[1]。

2. ?遺傳算法簡(jiǎn)介

遺傳算法仿照自然進(jìn)化過程來實(shí)現(xiàn)對(duì)最優(yōu)解的進(jìn)行尋找的方法，它應(yīng)用了達(dá)爾文進(jìn)化論中的選擇與變異的原理。先進(jìn)行定向的選擇，再進(jìn)行不定向的變異，根據(jù)能體現(xiàn)目標(biāo)的適應(yīng)度函數(shù)，來體現(xiàn)每一代個(gè)體的適應(yīng)度，從而進(jìn)行選擇操作，然后再進(jìn)行遺傳迭代，產(chǎn)生帶有新的基因組合的個(gè)體。

2.1遺傳算法的步驟

1） 將決策變量進(jìn)行編碼

2） 設(shè)定適應(yīng)度函數(shù)

3） 獲得初始種群

4） 迭代計(jì)算

5）得到理想解

遺傳算法的過程，其實(shí)就是一種類似生物學(xué)中生物進(jìn)化的過程，在遺傳算法中的每一代，根據(jù)問題域中個(gè)體適應(yīng)度大小挑選個(gè)體，并借助遺傳算子進(jìn)行組合交叉和主客觀變異，進(jìn)化出代表新的解集的種群。這一過程循環(huán)執(zhí)行，直到滿足優(yōu)化準(zhǔn)則為止。最后，末代個(gè)體經(jīng)解碼，生成近似最優(yōu)解[2]。

2.2遺傳算法的特點(diǎn)

通過了解遺傳算法的基本步驟，我們可以總結(jié)出遺傳算法的幾個(gè)特點(diǎn)：

1.遺傳算法以參數(shù)的編碼集作為運(yùn)算對(duì)象，并且在執(zhí)行搜索過程中，不受優(yōu)化函數(shù)連續(xù)性及其導(dǎo)數(shù)求解的限制，因而具有很強(qiáng)的通用性。

2.遺傳算法直接使用由目標(biāo)函數(shù)確定的適應(yīng)度函數(shù)信息，以群體為單位執(zhí)行搜索過程，加快搜索到適應(yīng)度較好的搜索空間，因而具有較強(qiáng)的全局搜索能力。

3.遺傳算法簡(jiǎn)單通用，普適性強(qiáng)，易于與其他算法結(jié)合構(gòu)成混合智能算法，并且該算法具有很強(qiáng)的魯棒性，因而在眾多領(lǐng)域得到了廣泛的應(yīng)用。

3. 遺傳算法的研究現(xiàn)狀

3.1遺傳算法的應(yīng)用

遺傳算法具有很強(qiáng)的全局搜索能力，通用性強(qiáng)，魯棒性高，因而被廣泛應(yīng)用于很多領(lǐng)域，下面簡(jiǎn)要介紹一些主要的應(yīng)用領(lǐng)域：

（1）函數(shù)優(yōu)化

（2）調(diào)度問題

（3）圖像處理

（4）自動(dòng)控制領(lǐng)域

（5）機(jī)器學(xué)習(xí)

（6）社會(huì)與經(jīng)濟(jì)領(lǐng)域

（7）人工智能與科學(xué)計(jì)算

3.2遺傳算法的改進(jìn)

為了克服遺傳算法容易出現(xiàn)的早熟現(xiàn)象和局部收斂等問題，對(duì)遺傳算法中種群初始化以及選擇、交叉和變異等遺傳操作的改進(jìn)，始終是遺傳算法研究的熱門課題。秦廣軍提出了基于多種群的改進(jìn)方法。王璇將遺傳算法與粒子群算法和人工免疫算法相結(jié)合形成混合遺傳算法。黃江波等在算法中設(shè)計(jì)了自適應(yīng)的交叉概率和變異概率函數(shù)。這些都是遺傳算法的改進(jìn)策略，并收到了良好的效果[3][4]。

4、遺傳算法的未來發(fā)展趨勢(shì)

結(jié)合以上對(duì)比分析可知，遺傳算法的研究已經(jīng)從理論方面逐漸轉(zhuǎn)向應(yīng)用領(lǐng)域;機(jī)器人學(xué)及圖像處理也在逐漸成為研究的熱點(diǎn)。

多智能體進(jìn)化，免疫進(jìn)化計(jì)算、粒子群遺傳算法是這幾年研究比較多的題目，對(duì)傳統(tǒng)遺傳算子的改進(jìn)也是討論比較多的話題。隨著應(yīng)用的不斷深入，協(xié)同進(jìn)化算法是在進(jìn)化算法的基礎(chǔ)上，通過考慮種群與環(huán)境之間、種群與種群之間在進(jìn)化過程中的協(xié)調(diào)關(guān)系提出的一類新的進(jìn)化算法，目前遺傳算法已經(jīng)成為當(dāng)前進(jìn)化計(jì)算的一個(gè)熱點(diǎn)問題[5]。

5、結(jié)束語

從某種角度來說，遺傳算法的研究是從進(jìn)化生物科學(xué)的角度建立起來的，現(xiàn)如今，遺傳算法通過理論已經(jīng)證明，問題的最優(yōu)解可以通過概率手段以隨機(jī)的方式最終求得。因此，調(diào)度問題與分配問題將會(huì)是遺傳算法未來主要的的研究方向。

參考文獻(xiàn)

[1] 水勇.遺傳算法的研究與應(yīng)用[J].軟件，2014，35（3）：107.

[2] 李國煌.遺傳算法的改進(jìn)及其應(yīng)用[J].華北電力大學(xué)碩士論文，2016，03.

[3] 崔姍姍.遺傳算法的一些改進(jìn)及其應(yīng)用[J].中國科學(xué)技術(shù)大學(xué)碩士論文，2010，05.

[4] ?DEBREUVE E，GASTAUD M，BARLAUD M，et al. Using the shape gradient for active contour segmentation： from the continuous to the discrete formulation[J]. Mathematical Imaging and Vision，2007，28（ 1） ： 47-66.

[5] Sridevi T.， Fatima S.S. Digital image watermarking using genetic algorithm in DWT and SVD transform [J]. ?Computational Intelligence and Information Technology， 2013， Page（s）：485-490.