遗传算法设计与实现----上机大作业201504.pdf

遗传算法设计与实现 上机作业 目录 0 引言 2 1 基本原理 2 2 理论与技术 2 2.1 编码问题 2 2.2 群体设定 3 2.2.1 初始群体设定 3 2.2.2 群体多样性 3 2.3 适应度函数 3 2.3.1 原始适应度函数 3 2.3.2 标准适应度函数 3 2.4 遗传操作 4 2.4.1 交叉运算 4 2.4.2 变异运算 4 2.4.3 选择运算 5 3 遗传算法的性能分析 5 4 结语 6 参考文献： 6 5 应用举例 6 5.1 遗传算法的求解步骤 6 5.2 实例： 7 5.2.1 问题描述 7 5.2.2 选择复制算子 8 5.2.3 杂交算子：采用一点杂交 8 5.2.4 变异算子： 9 5.2.5 基本遗传算法的构成要素 9 5.3 作业 1：推销员旅行问题(TSP) 9 5.3.1 问题的描述 10 5.3.2 算法实现 10 6 遗传算法在旅行商问题上的应用参考步骤 11 6.1 问题的描述11 6.2 算法分析 11 6.3 算法描述 13 7 作业 2 ：一元函数优化问题 13 8 参考实例： 13 9 参考代码java 13 8 参考代码 C 18 遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来，由于遗传算法求解复 杂优化问题的巨大潜力及其在工业工程领域的成功应用。这种算法受到了国内外学者的广泛关注。本文介 绍了遗传算法的研究现状和基本原理。概述了它的理论和技术，并对遗传算法的性能作了分析。以推销员 旅行问题为例来展示遗传算法在求解复杂优化问题上的优越性。 0 引言 遗传算法(GeneticAlgorithm，GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法，其基本 思想是基于 Darwin 的进化论和 Mendel的遗传学说。近年来，遗传算法已被成功地应用于工业设计、经济 管理、交通运输等不同领域，解决了许多问题。例如。可靠性优化、流水车间调度、作业车间调度、机器 调度、设备布局设计、图像处理以及数据挖掘等。本文将从遗传算法的理论和技术两方面概述目前的研究 现状，描述遗传算法的主要特点，以及各种遗传操作。并对遗传算法的性能进行分析。 1 基本原理 与传统搜索算法不同，遗传算法从一组随机产生的初始解，称为群体，开始搜索过程。群体中的每个 个体是问题的一个解，称为染色体，这些染色体在后续迭代中不断进化，称为遗传。遗传算法主要通过交 叉、变异、选择运算实现。交叉或变异运算生成下一代染色体，称为后代。染色体的好坏用适应度来衡量， 根据适应度的大小从上一代和后代中选择一定数量的个体，作为下一代群体，再继续进化，这样经过若干 代之后，算法收敛于最好的染色体，它很可能就是问题