基于遗传算法的最优化问题求解.doc

基于遗传算法的最优化问题求解.doc基于遗传算法的最优化问题求解摘要:遗传算法是一种有效的解决最优化问题的方法,在解决复杂的全局优化问题方面,遗传算法已得到了成功的应用。对遗传算法的基本步骤进行总结,通过最优化问题求解实例描述了遗传算法的具体运行过程,包括产生初始染色体、染色体评价、选择、交叉、变异等。分别应用VC和VB两种语言进行编程实现,结果表明,VC语言在运算效率和结果优度方面均比VB语言要好。关键词:遗传算法;最优化问题;最优解;求解步骤;运算效率中图分类号:TP312文献标识码:A文章编号:1009-3044(2011)19-4654-02 icAlgorithm SONGJie-peng1,2 (,Xuzhou221116,China;,Xuzhou221116,China) Abstract:icalgorithmisakindofeffectivemethodtosolveoptimizationproblems,plexglobaloptimizationproblem,,andthrougharealexample,icalgorithmaredescribed,whichincludesinitialchromosomesgeneration,chromosomesevaluation,selection,,andtheresultsshowthatVCisbetterthanVBinoperationefficiencyoptimality. Keywords:icalgorithm;optimizationproblem;optimalsolution;solvingsteps;operationefficiency 遗传算法是一种通过模拟自然进化过程搜索最优解的方法[1]。遗传算法本身并不要求对优化问题的性质作一些深入的数学分析,从而对那些不太熟悉数学理论和算法的使用者来说,无疑是方便的[2]。本文结合实例探讨了遗传算法求解最优化问题的具体步骤,并同时应用VC和VB进行编程,对其运算结果进行比较。 1遗传算法的求解过程生物遗传物质的主要的载体称为染色体,在遗传算法中,染色体通常是一串数据(或数组),它用来作为优化问题的解的代码,但它本身并不一定是解[3]。应用遗传算法求解一般要经过这样的几个过程[4]:首先,随机产生一定数目的初始染色体,由这些染色体组成一个种群,其中,种群中染色体的数目被称为种群的大小或规模。然后,用评价函数来评价得到的每个染色体的优劣,即染色体对环境的适应程度(称为适应度),用来作为以后遗传操作的依据。接着,进行选择过程,选择过程的目的是为了从当前种群中选出优良的染色体,使它们成为新一代的染色体,判断染色体是否优良的标准就是它们各自的适应度,也就是染色体的适应度越高,它被选择的机会就越多。通过选择过程,产生新的种群。再对这个新的种群进行一定概率的交叉操作,这个操作是遗传算法中的主要