遗传算法的理论研究

　　摘要：当今是大数据时代，人们利用数据解决相关一系列问题。如何在一些无规律的数据中提取有用的数据，这是一些学者研究需要解决的问题。很多学者利用遗传算法提取数据，经过实践证明，这种方法是可行的，在大数据时代，提取有用的数据作出重要贡献，也为相关学者提供了理论可行。本论文从不同方面阐述遗传算法，希望为研究遗传算法学者，提供理论参考依据。 　　关键词：遗传算法 研究 应用 　　中图分类号：TP18 文献标识码：A 文章编号：1007-9416（2016）02-0000-00 　　1 遗传算法基本概念 　　如何正确理解遗传算法，才能更好的应用遗传算法解决实际问题。遗传算法的概念内涵丰富，遗传算法Genetic algorithms缩写为GA，模拟自然界大量生物体的生长，能为传统方法难以解的问题较快地求出好的近似解，用于工程化问题的设计，可能获得全局最优解。遗传算法的操作方法多样，实现功能比较完善，比如选择算子、交叉算子和变异算子等操作，获得适应值高的个体作为下一代种群中的个体，从而进行不断的进化，最终达到逐渐逼近全局最优解的目的。通过遗传算法的应用，解决了一些数据提存等问题。遗传算法本身是一种理论，没有实际应用价值，必须与其它原理相结合，比如基于遗传算法的基因工程研究，基因遗传算法试卷组成系统生成等。 　　2 遗传算法基本原理 　　现代社会，人们用来解决高度复杂问题的一个新思路和新方法的优化算法，就是基于基因遗传思想的遗传算法。遗传算法的基本原理是从一个种群出发，按照适者生存和优胜劣汰的原理，在每一代进化中根据个体的适应度大小进行选择，并经过交叉和变异操作，产生出新的个体，代表新的解集，组成一个新的种群。这个过程能够得到比前一代更加适应环境的后一代，经过很多代的不断进化，满足终止条件下，我们可以近似将问题的最优解理解为最后一代种群中的那个最优个体。 　　我们还可以将遗传算法可以看成一种全局数值优化算法。它通过模拟基因重组与进化的自然过程，从待解问题中提取关键参数编成二进制码，称为“基因”，若干基因又组成一个“染色体”。很多染色体经过自然选择、配对杂交和变异的运算，多次重复迭代运算（即世代遗传），最后就可以得到比较合理的优化结果。 　　参数的本身并不是遗传算法处理的对象，对参数进行一一编码后最终得到的染色体才是真正的处理对象，因此除了传统的目标函数可以被优化求解之外，树、矩阵和图等结构形式的对象也可以进行优化求解，对同时存在的多个解用适应度函数来进行评估。遗传算法是一种类似于自然进化的算法，通过寻找好的、作用于染色体上的基因来求解问题。与自然界的进化比较类似的是，遗传算法不需要了解求解问题，编码则只需要根据问题的特点来进行，不同大小的适应值则是根据评价算法产生的每个染色体而得出来的，并基于选择策略适应值和来选择合适的染色体，更多的繁殖机会则会留给适应性好的染色体。在遗传算法中，初始群体是通过随机方式产生若干个二进制或十进制等适合问题求解环境的编码。再通过适应度函数给每个染色体一个数值评价，通过概率适应度低的个体将会被淘汰掉，与此同时，一些适应度高的个体也会通过一定的概率选择而有机会参加遗传操作，那么下一代新的种群就经过遗传操作后的个体集合而被生成。依此类推，对每个这样的新种群进行下一轮的进化。此过程体现的就是遗传算法的基本原理。其中遗传算法的两大特点包括并行性和全局搜索性。 　　3 遗传算法的特点 　　很多学者通过实践研究证明遗传算法具有以下特点： 　　（1）遗传算法不直接处理参数本身，而是处理参数集的编码。（2）遗传算法的并行性。（3）遗传算法具有自学习、自组织和自适应等特性。利用遗传算法来求解问题时，在适应度函数、操作算子及编码方案等确定后，算法将在进化过程中自主获得信息进行搜索活动。遗传算法不强调确定性的规则指导搜索，而是强调概率转换规则。（4）遗传算法之所以成为可规模化的和有着较好的普遍性的优化算法，是因为它在搜索过程中采用的是基于目标函数的值的评价信息，而不是传统方法采用的目标函数的求导信息。（5）遗传算法是在群体当中寻优，是从一群初始点进行搜索，不是从单一的初始点开始搜索，这样全局近似最优解更容易被搜索到。（6）遗传算法通过变异和交叉算子等手段克服了传统优化方法容易陷入局部最优解的缺陷，它通过染色体的基因突变能跳出局部最优解，因而最终收敛到全局最优解。 　　遗传算法通过理论已经证明，问题的最优解可以通过概率手段以随机的方式最终求得。但实践应用中我们又会发现，通过遗传算法来解决问题时也会出现一些不尽如人意的地方，其所产生的早熟现象及局部寻优能力较差等问题最为主要。而在另一方面，模拟退火算法、爬山法、贪婪法等等一些其它的优化算法却又具有非常强的局部搜索能力，所以，人们意识到要想得到近似最优解，必须要研究出混合遗传算法，即将遗传算法和一些局部搜索能力强的方法有效的结合在一起。 　　4 遗传算法在工程中的应用 　　遗传算法在工程总的应用主要有两种方式，一种是遗传算法一种技术的应用，比如在计算机通信中网络设计、布线设计，在煤气管道中进行控制，利用机器学习、在某项生产任务中的规划、车间调度、运输问题的管理、机器配置、分配问题设计，利用其组合优化问题解决背包问题，最优生成树问题在人工智能方面应用。另一方面与其它技术相结合，促使其问题解决能力进一步提高，比如神经网络结合在医学方面已经取得很多优秀成果。 　　5 结语 　　遗传算法的研究对解决数据问题具有一定现实意义，现在是信息时代，信息的传递促进了科学技术的发展，如今是大数据时代，基于遗传算法的数据挖掘具有广阔的发展前景，现在很多学者遗传算法在数据挖掘中取得一定成绩，数据挖掘的快速发展，有利于数据时代的发展，为提高国民经济提供了技术支持。 　　参考文献 　　[1] 王伟玲，李俊芳，王晶.求解多目标作业车间调度问题的双种群遗传算法[J].计算机集成制造系统，2011（04）. 　　[2] 彭昱忠，元昌安，陈建伟，吴信东，王汝凉.多细胞基因表达式编程的函数优化算法[J].控制理论与应用，2010（11）. 　　[3] 张英杰，刘朝华.融合微粒群的多种群协同进化免疫算法[J].控制与决策，2010（11）. 　　收稿日期：2015-12-14 　　作者简介：董琦（1980―），女，河北乐亭人，研究生，助教，研究方向：数据挖掘和云计算。 转载注明来源:https://www.xzbu.com/8/view-11357657.htm