遺傳算法范文10篇

遺傳算法的思想由來已久。早在20世紀(jì)50年代，一些生物學(xué)家就著手于計(jì)算機(jī)模擬生物的遺傳系統(tǒng)。1967年，美國芝加哥大學(xué)的Holland,J.H.教授在研究適應(yīng)系統(tǒng)時，進(jìn)一步涉及進(jìn)化演算的思考，并于1968年提出模式理論。1975年，Holland教授的專著《自然界和人工系統(tǒng)的適應(yīng)性》問世，全面地介紹了遺傳算法，為遺傳算法奠定了基礎(chǔ)[228]。此后，遺傳算法無論在理論研究方面，還是實(shí)際應(yīng)用方面都有了長足發(fā)展。

伴隨遺傳算法的發(fā)展，其獨(dú)特的優(yōu)越性逐漸被體現(xiàn)出來，且各種理論、方法都得到了進(jìn)一步發(fā)展和完善。但是，遺傳算法的實(shí)際應(yīng)用仍然存在著缺陷，具體表現(xiàn)在：

遺傳算法在尋優(yōu)過程中易出現(xiàn)“早熟”、設(shè)計(jì)變量增多時效率較低以及結(jié)構(gòu)分析時間長，在線功能差。為此，在實(shí)際運(yùn)用中尚需改進(jìn)，尋找更優(yōu)秀的算子和編碼方法等。目前，改進(jìn)的方法也各有優(yōu)劣，有對遺傳算法遺傳算子進(jìn)行改進(jìn)的，也有將遺傳算法與其他方法結(jié)合起來的。編碼方法有二進(jìn)制編碼、多值編碼、實(shí)值編碼、區(qū)間值編碼、Delta編碼等多種編碼方法。在執(zhí)行策略方面有如下幾種方法值得注意：遺傳算法與模擬退火算法的結(jié)合、遺傳算法與局部優(yōu)化方法的結(jié)合、并行遺傳算法、共存演化遺傳算法、混亂遺傳算法。

遺傳算法的噪聲適應(yīng)性問題。遺傳算法主要是針對無噪聲的確定性環(huán)境設(shè)計(jì)的，在應(yīng)用過程中，知識的不確定性、訓(xùn)練樣本的錯誤、人為因素等都可導(dǎo)致問題求解環(huán)境包含一個或多個噪聲。事實(shí)上，噪聲是不可避免的，在實(shí)際工程測量中，測量得到的靜態(tài)應(yīng)變常常會伴有一定的噪聲。遺傳算法的進(jìn)化過程是通過適應(yīng)度大小來進(jìn)行選擇、變異、交*等遺傳算子操作，從而對個體進(jìn)行優(yōu)勝劣汰。然而在噪聲環(huán)境下，目標(biāo)函數(shù)或適應(yīng)度帶有噪聲，不能反映個體真正的適應(yīng)度。顯然，用有噪聲的適應(yīng)度去進(jìn)化，其結(jié)果可能會被誤導(dǎo)。在這種情況下，遺傳算法的性能如何，怎樣改進(jìn)，還有待深入研究。

摘要本文通過對基本遺傳算法添加初始化啟發(fā)信息、改進(jìn)交叉算子和利用本身所固有的并行性構(gòu)架粗粒度并行遺傳算法等方法提高了遺傳算法的收斂性及其尋優(yōu)能力。

關(guān)鍵詞遺傳算法；TSP；交叉算子

1引言

遺傳算法是模擬生物在自然環(huán)境中的遺傳和進(jìn)化過程而形成的一種自適應(yīng)全局優(yōu)化概率搜索算法。總的說來，遺傳算法是按不依賴于問題本身的方式去求解問題。它的目標(biāo)是搜索這個多維、高度非線性空間以找到具有最優(yōu)適應(yīng)值(即最小費(fèi)用的)的點(diǎn)[1]。

基本遺傳算法是一個迭代過程，它模仿生物在自然環(huán)境中的遺傳和進(jìn)化機(jī)理，反復(fù)將選擇算子、交叉算子和變異算子作用于種群，最終可得到問題的最優(yōu)解和近似最優(yōu)解。

2遺傳算法程序設(shè)計(jì)改進(jìn)比較

摘要：虛擬現(xiàn)實(shí)環(huán)境下工業(yè)產(chǎn)品造型設(shè)計(jì)方向種類繁雜且多由人為操作，得到全局最優(yōu)設(shè)計(jì)結(jié)果的速度不佳，因此，提出在虛擬現(xiàn)實(shí)環(huán)境下遺傳算法在工業(yè)產(chǎn)品造型設(shè)計(jì)中的運(yùn)用。通過層次化產(chǎn)品造型結(jié)構(gòu)設(shè)計(jì)產(chǎn)品造型基因編碼，利用適應(yīng)度函數(shù)對個體進(jìn)行適應(yīng)值評價，確定編碼個體適應(yīng)度；由遺傳算子支撐產(chǎn)品造型設(shè)計(jì)方案的進(jìn)化，滿足人工參與條件后在虛擬現(xiàn)實(shí)環(huán)境下由人工評估設(shè)計(jì)方案，直至產(chǎn)生用戶滿意的方案。實(shí)驗(yàn)結(jié)果顯示，在相同條件下，基于遺傳算法生成的工業(yè)產(chǎn)品造型設(shè)計(jì)結(jié)果較常規(guī)方法生成的設(shè)計(jì)結(jié)果少迭代410次，即可精確收斂到全局最優(yōu)設(shè)計(jì)結(jié)果，表明虛擬現(xiàn)實(shí)環(huán)境下遺傳算法在工業(yè)產(chǎn)品造型設(shè)計(jì)中收斂到全局最優(yōu)結(jié)果速度更快，效果更佳。

關(guān)鍵詞：虛擬現(xiàn)實(shí)；遺傳算法；遺傳編碼；適應(yīng)度函數(shù)；工業(yè)設(shè)計(jì)；產(chǎn)品造型設(shè)計(jì)

隨著科技快速發(fā)展，消費(fèi)者對產(chǎn)品造型和功效的要求越來越高，不僅注重產(chǎn)品的使用功能，更追求視覺感官上的享受。為了響應(yīng)快速發(fā)展的市場需求，利用虛擬現(xiàn)實(shí)技術(shù)輔助設(shè)計(jì)師完成產(chǎn)品造型設(shè)計(jì)是十分必要的。在傳統(tǒng)產(chǎn)品造型設(shè)計(jì)過程中，主要是從產(chǎn)品功能出發(fā)，以提高產(chǎn)品表象形式為目的對其進(jìn)行設(shè)計(jì)，包含產(chǎn)品的形態(tài)設(shè)計(jì)、產(chǎn)品的色彩設(shè)計(jì)、產(chǎn)品造型的質(zhì)感等設(shè)計(jì)方面[1]。設(shè)計(jì)師需要首先以用戶的需求為設(shè)計(jì)方向，利用自身設(shè)計(jì)經(jīng)驗(yàn)分析產(chǎn)品的原理及性能，并設(shè)計(jì)出對應(yīng)產(chǎn)品的基本結(jié)構(gòu)、功能和形態(tài)等造型設(shè)計(jì)元素，主要依靠設(shè)計(jì)師的個人能力。單純由設(shè)計(jì)師完成，難以保證設(shè)計(jì)工作的效率，無法滿足產(chǎn)品造型設(shè)計(jì)快速開發(fā)設(shè)計(jì)的要求。因此，利用遺傳算法的高度并行、自適應(yīng)性優(yōu)勢，對工業(yè)產(chǎn)品造型設(shè)計(jì)求解[2⁃3]。為了更好地結(jié)合用戶需求偏好和設(shè)計(jì)師的經(jīng)驗(yàn)，同時避免設(shè)計(jì)師的主觀看法以及用戶參與評估的過程較多，將虛擬現(xiàn)實(shí)和遺傳算法相結(jié)合，通過交互式手段利用人工評估進(jìn)行調(diào)整，以人工評估的方式替代遺傳算法中的適應(yīng)度值，得到結(jié)果最優(yōu)解，既可以減少用戶工作量，又可以提高產(chǎn)品造型設(shè)計(jì)結(jié)果的收斂速度。

1遺傳算法在工業(yè)產(chǎn)品造型設(shè)計(jì)中的運(yùn)用

遺傳算法可以同時處理多個設(shè)計(jì)目標(biāo)，在一個工業(yè)產(chǎn)品造型設(shè)計(jì)過程中得到多個滿意的產(chǎn)品造型設(shè)計(jì)結(jié)果。遺傳算法在工業(yè)產(chǎn)品造型設(shè)計(jì)中的運(yùn)用是以進(jìn)化論和遺傳學(xué)說為基礎(chǔ)，對產(chǎn)品造型中的每個個體設(shè)計(jì)要素進(jìn)行編碼，再通過選擇、交叉、變異算子進(jìn)行基因的排列組合，直到生成滿意的新個體。在進(jìn)化過程滿足一定條件后，進(jìn)入人工評估階段進(jìn)行方案調(diào)整，若輸出結(jié)果不是最優(yōu)的，再進(jìn)入計(jì)算機(jī)運(yùn)行自然階段，形成一個循環(huán)，直至生成最優(yōu)設(shè)計(jì)方案[4]。由于計(jì)算機(jī)可以同時進(jìn)行多個目標(biāo)的并行搜索，因此，能提高產(chǎn)品造型的設(shè)計(jì)效率。基于遺傳算法的工業(yè)產(chǎn)品造型設(shè)計(jì)流程如圖1所示。1.1設(shè)計(jì)產(chǎn)品造型基因編碼。在遺傳算法運(yùn)行中，使用浮點(diǎn)編碼方式將實(shí)際可行解變量轉(zhuǎn)變?yōu)閭€體編碼，能夠在確定規(guī)模的種群中表示更多的模式[5]。在初始種群中，產(chǎn)品形態(tài)、顏色等都可以表示成具體的層次結(jié)構(gòu)數(shù)據(jù)，每一個功能單元均對應(yīng)一個結(jié)構(gòu)特征參數(shù)，每一個染色體均包含一系列特征參數(shù)集合。將可行解從解空間轉(zhuǎn)換到搜索空間中，通過這種層次結(jié)構(gòu)將特征浮點(diǎn)參數(shù)編碼進(jìn)產(chǎn)品個體中。用層次化染色體結(jié)構(gòu)表示產(chǎn)品造型元素，如圖2所示。產(chǎn)品染色體的基因位為功能單元染色體，功能單元的染色體基因位是特征參數(shù)的染色體，功能特征參數(shù)由浮點(diǎn)值定義[6]。設(shè)定每一個產(chǎn)品造型設(shè)計(jì)元素的參數(shù)編碼包括功能單元的名稱、數(shù)量、形狀特征、幾何大小、產(chǎn)品顏色等。部分產(chǎn)品造型設(shè)計(jì)編碼參數(shù)數(shù)據(jù)類型如表1所示。在將編碼參數(shù)導(dǎo)入計(jì)算機(jī)輔助軟件之前，設(shè)計(jì)師需要從市場及概念設(shè)計(jì)中提取需要數(shù)據(jù)，按照上述層次結(jié)構(gòu)進(jìn)行數(shù)據(jù)的編碼。不同產(chǎn)品對應(yīng)的特征參數(shù)均不相同，這種差異化會影響遺傳算法獲得有效解[7⁃9]。因此，將編碼數(shù)據(jù)的浮點(diǎn)值強(qiáng)制映射在相同有效范圍區(qū)間內(nèi)，使得每個對應(yīng)基因位均在[0，1]范圍，解決參數(shù)在不同范圍上的問題。1.2確定編碼個體適應(yīng)度。在非人工評估階段，也就是自然階段，由目標(biāo)函數(shù)變換得到適應(yīng)度函數(shù)，對個體進(jìn)行適應(yīng)值評價。適應(yīng)度函數(shù)為：F(x)={Cmax-f(x),f(x)<Cmax0,f(x)≥Cmax（1）式中：F(x)為適應(yīng)度函數(shù)；f(x)為目標(biāo)函數(shù)；Cmax為一個預(yù)設(shè)的相對較大的正數(shù)，以保證大多數(shù)解為正。設(shè)定種群平均適應(yīng)度值為FA。產(chǎn)品造型設(shè)計(jì)是一個多目標(biāo)尋優(yōu)的過程，實(shí)際過程中包含多種特征參數(shù)，對應(yīng)產(chǎn)品不同狀態(tài)。使用形態(tài)語義加權(quán)方法，根據(jù)設(shè)計(jì)元素在設(shè)計(jì)方案中的重要程度設(shè)定合適權(quán)重值，將用戶語義與產(chǎn)品特征描述對應(yīng)聯(lián)系起來，反映設(shè)計(jì)個體在多方面的優(yōu)劣程度[10⁃11]。對每一個設(shè)計(jì)元素進(jìn)行調(diào)查，對調(diào)查結(jié)果取算術(shù)平均值，得到人工評估適應(yīng)度值FE。隨機(jī)生成N個個體字符串，其中，N個個體作為初始種群大小，初始進(jìn)化代數(shù)為gen，最大非人工進(jìn)化代數(shù)為GEN。1.3產(chǎn)品造型設(shè)計(jì)方案進(jìn)化。產(chǎn)品造型設(shè)計(jì)方案的進(jìn)化由三種遺傳算子支撐。從初始種群開始迭代，獲得最初種群平均適應(yīng)度后，選擇適應(yīng)度較高的個體兩兩配對，再經(jīng)過遺傳運(yùn)算中的交叉、變異運(yùn)算再生，得到新個體放入新種群中，重復(fù)此過程，直至新種群生成，在每一代運(yùn)算后生成的新種群將替代舊種群[10]。交叉運(yùn)算是在交叉概率Pc控制下，隨機(jī)選擇上一代種群中的兩個個體進(jìn)行交叉，由兩個個體中適應(yīng)度值較高的個體提供更多基因。變異運(yùn)算首先設(shè)定初始變異概率Pm，Pm∈[0,1]。產(chǎn)生下一代種群后，比較兩代種群中最優(yōu)個體的適應(yīng)度值，新種群最優(yōu)個體小于舊種群最優(yōu)個體適應(yīng)度值時，將初始變異概率Pm增加0.05，否則，減少0.05，但始終保持變異概率在初始變異概率值與1之間。為保證將適應(yīng)度值最好的個體保留到下一代種群中，用當(dāng)前種群中適應(yīng)度值最高的個體直接替代經(jīng)交叉和變異遺傳操作后產(chǎn)生的適應(yīng)度值最低個體[12⁃13]。同時，如果上一代種群中的最優(yōu)個體的適應(yīng)度值高于當(dāng)前種群中最優(yōu)個體的適應(yīng)度值，即用上一代種群中的最優(yōu)個體代替當(dāng)前種群中的適應(yīng)度值最低個體。當(dāng)算法運(yùn)行生成新的產(chǎn)品造型設(shè)計(jì)方案，同時滿足人工參與條件后，解碼進(jìn)入虛擬現(xiàn)實(shí)環(huán)境下參與人工評估階段。1.4虛擬現(xiàn)實(shí)環(huán)境下人工評估設(shè)計(jì)方案。虛擬現(xiàn)實(shí)環(huán)境下人工評估階段，主要是借助虛擬現(xiàn)實(shí)技術(shù)，由計(jì)算機(jī)主機(jī)進(jìn)行控制，通過四維形式將儲存在知識庫和數(shù)據(jù)庫的算法內(nèi)容展現(xiàn)在虛擬場景中[14]，輸出最終設(shè)計(jì)結(jié)果方案、圖紙或造型給客戶。虛擬現(xiàn)實(shí)設(shè)計(jì)結(jié)果輸出流程如圖3所示。圖3虛擬現(xiàn)實(shí)設(shè)計(jì)結(jié)果輸出流程由人工評價是否生成了最優(yōu)方案。設(shè)定設(shè)計(jì)產(chǎn)品評價目標(biāo)為u=(u1,u2,⋯,un)，對應(yīng)權(quán)重分別為qi，用矩陣表示為Q=(q1,q2,⋯,qn)，對產(chǎn)品各評價目標(biāo)進(jìn)行評分：（2）如果在人工評估階段產(chǎn)生了用戶滿意的方案，那么停止算法運(yùn)行，否則，轉(zhuǎn)入自然階段繼續(xù)運(yùn)行，并且剔除不符合設(shè)計(jì)要求的方案。至此完成虛擬現(xiàn)實(shí)環(huán)境下遺傳算法在工業(yè)產(chǎn)品造型設(shè)計(jì)中的運(yùn)用設(shè)計(jì)。

2仿真實(shí)驗(yàn)

編者按：本文主要從單親演化過程；群體演化過程；實(shí)驗(yàn)結(jié)果與分析；結(jié)束語四個方面進(jìn)行論述。其中，主要包括：TSP的搜索空間是有限的、很可能不存在確定的算法能在多項(xiàng)式時間內(nèi)求到問題的解、遺傳算法是一種借鑒生物界自然選擇和遺傳機(jī)制的隨機(jī)化搜索算法、用遺傳算法求解TSP能得到令人滿意的結(jié)果、個體質(zhì)量的高低決定了算法的全局性能、TSP編碼表示、構(gòu)建TSP基因庫、單親演化算法、基因段錯位操作是隨機(jī)確定基因段、交叉算子、局部啟發(fā)式算子、選擇機(jī)制和收斂準(zhǔn)則、基于多重搜索策略的群體演化算法、所有的結(jié)果都是在P42.0G微機(jī)上完成、該文算法的求解質(zhì)量要優(yōu)于GA、PGA、MMGA算法等，具體材料請?jiān)斠姟?/p>

論文摘要：TSP是組合優(yōu)化問題的典型代表,該文在分析了遺傳算法的特點(diǎn)后,提出了一種新的遺傳算法(GB—MGA),該算法將基因庫和多重搜索策略結(jié)合起來,利用基因庫指導(dǎo)單親遺傳演化的進(jìn)化方向,在多重搜索策略的基礎(chǔ)上利用改進(jìn)的交叉算子又增強(qiáng)了遺傳算法的全局搜索能力。通過對國際TSP庫中多個實(shí)例的測試,結(jié)果表明:算法(GB—MGA)加快了遺傳算法的收斂速度,也加強(qiáng)了算法的尋優(yōu)能力。

論文關(guān)鍵詞：旅行商問題遺傳算法基因庫多重搜索策略

TSP(travelingsalesmanproblem)可以簡述為:有n個城市1,2,…,n,一旅行商從某一城市出發(fā),環(huán)游所有城市后回到原出發(fā)地,且各城市只能經(jīng)過一次,要求找出一條最短路線。TSP的搜索空間是有限的,如果時間不受限制的話,在理論上這種問題終會找到最優(yōu)解,但對于稍大規(guī)模的TSP,時間上的代價往往是無法接受的。這是一個典型的組合最優(yōu)化問題,已被證明是NP難問題,即很可能不存在確定的算法能在多項(xiàng)式時間內(nèi)求到問題的解[1]。由于TSP在工程領(lǐng)域有著廣泛的應(yīng)用,如貨物運(yùn)輸、加工調(diào)度、網(wǎng)絡(luò)通訊、電氣布線、管道鋪設(shè)等,因而吸引了眾多領(lǐng)域的學(xué)者對它進(jìn)行研究。TSP的求解方法種類繁多,主要有貪婪法、窮舉法、免疫算法[2]、螞蟻算法[3]、模擬退火算法、遺傳算法等。

遺傳算法是一種借鑒生物界自然選擇和遺傳機(jī)制的隨機(jī)化搜索算法,其主要特點(diǎn)是群體搜索策略和群體中個體之間的信息交換,搜索不依賴于梯度信息[4]。遺傳算法主要包括選擇、交叉和變異3個操作算子,它是一種全局化搜索算法,尤其適用于傳統(tǒng)搜索算法難于解決的復(fù)雜和非線性問題。遺傳算法雖然不能保證在有限的時間內(nèi)獲得最優(yōu)解,但隨機(jī)地選擇充分多個解驗(yàn)證后,錯誤的概率會降到可以接受的程度。

用遺傳算法求解TSP能得到令人滿意的結(jié)果,但是其收斂速度較慢,而且種群在交叉算子作用下,會陷入局部解。采用局部啟發(fā)式搜索算法等,雖然能在很短的時間內(nèi)計(jì)算出小規(guī)模城市的高質(zhì)量解,一旦城市規(guī)模稍大就容易陷入局部最優(yōu)解。因此,為了能夠加快遺傳算法的收斂速度,又能得到更好的近似最優(yōu)解,該文采納了文[5]中楊輝提出的基因庫的想法,并結(jié)合文[6]中Cheng-FaTsai提出的多重搜索策略思想,使用單親演化與群體演化相結(jié)合的方式來求解TSP問題。該文根據(jù)文[7]中最小生成樹MST(minimumcostspanningtree)的應(yīng)用,由MST建立TSP的基因庫,保存有希望成為最優(yōu)解的邊,利用基因庫提高初始群體的質(zhì)量進(jìn)行單親演化,然后利用改進(jìn)后的交叉算子和的多重搜索策略進(jìn)行群體演化。

1遺傳算法設(shè)計(jì)

1．1基因編碼設(shè)計(jì)

編碼就是將遺傳算法中處理不了的空間參數(shù)轉(zhuǎn)換成遺傳空間的由基因組成的染色體或個體的過程．其中基因在一定意義上包含了它所代表的問題的解．基因的編碼方式有很多，這也取決于要解決的問題本身．常見的編碼方式有：二進(jìn)制編碼，基因用0或1表示，通常用于解決01背包問題，如基因A：00100011010（代表一個個體的染色體）；互換編碼，主要用于解決排序問題，如調(diào)度問題和旅行商問題，用一串基因編碼來表示遍歷城市順序，如234517986，表示在9個城市中先經(jīng)過城市2，再經(jīng)過城市3，依此類推；樹形編碼，用于遺傳規(guī)劃的演化編程或表示，其編碼的方法就是樹形結(jié)構(gòu)中的一些函數(shù)，本文采用的是樹形編碼．

1．2交叉算子設(shè)計(jì)

交叉運(yùn)算的含義是參照某種方式和交叉概率，將兩組相互配對的個體互換部分基因，生成新個體的過程．交叉運(yùn)算在遺傳算法中起關(guān)鍵作用，是產(chǎn)生新個體的主要方法．交叉操作流程如圖1所示．交叉操作首先判定要交叉的基因是否相同，如果相同進(jìn)行子基因組的交叉，然后再判定交叉是否完成，沒完成就繼續(xù)，完成就退出；如果交叉的基因不相同，就要選擇是否依據(jù)概率進(jìn)行基因交換，選擇交換就交換其所有的次級基因結(jié)構(gòu)，然后再判定交叉是否完成，選擇不交換就直接判定交叉是否完成．

1．3變異算子設(shè)計(jì)

摘要：本文運(yùn)用遺傳算法的全局尋優(yōu)對考試中的自動化組卷進(jìn)行了研究，并得到了一個解決適合考方要求的試題模型的好的算法。

關(guān)鍵詞：遺傳算法全局尋優(yōu)自動化組卷

1引言

計(jì)算機(jī)輔助考試系統(tǒng)的自動組卷的效率與質(zhì)量完全取決于抽題算法的設(shè)計(jì)。如何設(shè)計(jì)一個算法從題庫中既快又好的抽出一組最佳解或是抽出一組非常接近最佳解的實(shí)體，涉及到一個全局尋優(yōu)和收斂速度快慢的的問題，很多學(xué)者對其進(jìn)行了研究。遺傳算法以其自適應(yīng)尋優(yōu)及良好的智能搜索技術(shù)，受到了廣泛的運(yùn)用。

PottsJC等人基于變異和人工選擇的遺傳算法對最優(yōu)群體規(guī)模進(jìn)行了論述；HamiltonMA等結(jié)合遺傳算法把其運(yùn)用到神經(jīng)網(wǎng)絡(luò)中，并取得了良好的效果[4]；也有眾多的學(xué)者對保留最佳狀態(tài)的遺傳算法的收斂速度做了討論。通過理論推導(dǎo)和事實(shí)運(yùn)用，發(fā)現(xiàn)遺傳算法在尋優(yōu)和收斂性方面都是非常有效的。

本文結(jié)合遺傳算法的原理和思想，對考試自動出題組卷的問題進(jìn)行了研究，找到了一種獲得與考試試題控制指標(biāo)符合的試題模型的解決方法。

摘要在浮點(diǎn)編碼遺傳算法中加入Powell方法，構(gòu)成適于不可微函數(shù)全局優(yōu)化的混合遺傳算法。混合算法改善了遺傳算法的局部搜索能力，顯著提高了遺傳算法求得全局解的概率。由于只利用函數(shù)值信息，混合算法是一種求解可微和不可微函數(shù)全局優(yōu)化問題的通用方法。

關(guān)鍵詞全局最優(yōu)；混合算法；遺傳算法；Powell方法

1引言

不可微非線性函數(shù)優(yōu)化問題具有廣泛的工程和應(yīng)用背景，如結(jié)構(gòu)設(shè)計(jì)中使得結(jié)構(gòu)內(nèi)最大應(yīng)力最小而歸結(jié)為極大極小優(yōu)化（minmax）問題、數(shù)據(jù)魯棒性擬合中采取最小絕對值準(zhǔn)則建立失擬函數(shù)等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、Powell方法等，但是這些方法都是局部優(yōu)化方法，優(yōu)化結(jié)果與初值有關(guān)。

近年來，由Holland研究自然現(xiàn)象與人工系統(tǒng)的自適應(yīng)行為時，借鑒“優(yōu)勝劣汰”的生物進(jìn)化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數(shù)全局最優(yōu)解的方法。以遺傳算法為代表的進(jìn)化算法發(fā)展很快，在各種問題的求解與應(yīng)用中展現(xiàn)了其特點(diǎn)和魅力，但是其理論基礎(chǔ)還不完善，在理論和應(yīng)用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題[1,2]。為克服這一問題，早在1989年Goldberg就提出混合方法的框架[2]，把GA與傳統(tǒng)的、基于知識的啟發(fā)式搜索技術(shù)相結(jié)合，來改善基本遺傳算法的局部搜索能力，使遺傳算法離開早熟收斂狀態(tài)而繼續(xù)接近全局最優(yōu)解。近來，文獻(xiàn)[3]和[4]在總結(jié)分析已有發(fā)展成果的基礎(chǔ)上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優(yōu)化方法結(jié)合構(gòu)成新的全局優(yōu)化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計(jì)算性能。文獻(xiàn)[5]采用牛頓－萊佛森法和遺傳算法進(jìn)行雜交求解旅行商問題，文獻(xiàn)[6]把最速下降法與遺傳算法相結(jié)合來求解連續(xù)可微函數(shù)優(yōu)化問題，均取得良好的計(jì)算效果，但是不適于不可微函數(shù)優(yōu)化問題。

本文提出把Powell方法融入浮點(diǎn)編碼遺傳算法，把Powell方法作為與選擇、交叉、變異平行的一個算子，構(gòu)成適于求解不可微函數(shù)優(yōu)化問題的混合遺傳算法，該方法可以較好解決遺傳算法的早熟收斂問題。數(shù)值算例對混合方法的有效性進(jìn)行了驗(yàn)證。

摘要:以無人機(jī)飛行控制系統(tǒng)為研究對象，通過對植保無人機(jī)的應(yīng)用進(jìn)行分析，提出一種雙閉環(huán)控制方式的植保無人機(jī)飛行控制系統(tǒng)。由于作業(yè)需求，植保無人機(jī)飛行軌跡應(yīng)根據(jù)作業(yè)狀態(tài)進(jìn)行不斷調(diào)整，有效避開飛行航線中的障礙物，因此控制系統(tǒng)中兼容一種基于遺傳算法的植保無人機(jī)飛行避障算法。仿真實(shí)驗(yàn)表明:植保無人機(jī)在飛行過程中能夠有效進(jìn)行單障礙及多障礙的規(guī)避，避障過程存在較小的誤差，不會對植保無人機(jī)的作業(yè)狀態(tài)產(chǎn)生影響;不同飛行速度對無人機(jī)的避障會產(chǎn)生不同程度的誤差影響，速度越高，誤差越大。

關(guān)鍵詞:植保無人機(jī);飛行控制系統(tǒng);遺傳算法;軌跡規(guī)劃

隨著無人機(jī)技術(shù)的不斷發(fā)展，其在農(nóng)業(yè)生產(chǎn)過程中應(yīng)用范圍也不斷擴(kuò)大。植保無人機(jī)在作業(yè)過程中具有較高的效率，能適應(yīng)不同的應(yīng)用環(huán)境，且可搭載不同的作業(yè)設(shè)備實(shí)現(xiàn)較高的靈活性［1］。無人機(jī)控制技術(shù)及人工智能程度逐漸提高，采用低功率、高效率的控制方式進(jìn)行植保無人機(jī)飛行控制，已成為當(dāng)前植保無人機(jī)發(fā)展的趨勢［2－3］。在進(jìn)行高效率智能控制過程中，為提高植保無人機(jī)的作業(yè)效率及作業(yè)質(zhì)量，對無人機(jī)的飛行軌跡進(jìn)行科學(xué)規(guī)劃與控制，是植保無人機(jī)飛行控制系統(tǒng)的基礎(chǔ)功能［4～5］。筆者針對植保無人機(jī)飛行作業(yè)過程中通過障礙區(qū)和非障礙區(qū)時的兩種不同作業(yè)軌跡進(jìn)行研究，提出一種基于遺傳算法的植保無人機(jī)分析軌跡優(yōu)化方法，以實(shí)現(xiàn)植保無人機(jī)飛行控制系統(tǒng)設(shè)計(jì)。

1無人機(jī)總體架構(gòu)

植保無人機(jī)的主要架構(gòu)包含飛行器、飛行控制系統(tǒng)及植保作業(yè)系統(tǒng)，如圖1所示。在無人機(jī)上搭載飛行控制核心控制器，獲取飛行器的飛行姿態(tài)及軌跡信息，并通過PWM指令信息進(jìn)行姿態(tài)及軌跡的調(diào)整;同時，核心控制器輸出控制指令，進(jìn)行植保無人機(jī)作業(yè)系統(tǒng)控制［6－7］。

2無人機(jī)控制系統(tǒng)

摘要：本文運(yùn)用遺傳算法的全局尋優(yōu)對考試中的自動化組卷進(jìn)行了研究，并得到了一個解決適合考方要求的試題模型的好的算法。

關(guān)鍵詞：遺傳算法全局尋優(yōu)自動化組卷

1引言

計(jì)算機(jī)輔助考試系統(tǒng)的自動組卷的效率與質(zhì)量完全取決于抽題算法的設(shè)計(jì)。如何設(shè)計(jì)一個算法從題庫中既快又好的抽出一組最佳解或是抽出一組非常接近最佳解的實(shí)體，涉及到一個全局尋優(yōu)和收斂速度快慢的的問題，很多學(xué)者對其進(jìn)行了研究。遺傳算法以其自適應(yīng)尋優(yōu)及良好的智能搜索技術(shù)，受到了廣泛的運(yùn)用。PottsJC等人基于變異和人工選擇的遺傳算法對最優(yōu)群體規(guī)模進(jìn)行了論述；HamiltonMA等結(jié)合遺傳算法把其運(yùn)用到神經(jīng)網(wǎng)絡(luò)中，并取得了良好的效果[4]；也有眾多的學(xué)者對保留最佳狀態(tài)的遺傳算法的收斂速度做了討論。通過理論推導(dǎo)和事實(shí)運(yùn)用，發(fā)現(xiàn)遺傳算法在尋優(yōu)和收斂性方面都是非常有效的。

本文結(jié)合遺傳算法的原理和思想，對考試自動出題組卷的問題進(jìn)行了研究，找到了一種獲得與考試試題控制指標(biāo)符合的試題模型的解決方法。

2問題描述

1引言

不可微非線性函數(shù)優(yōu)化問題具有廣泛的工程和應(yīng)用背景，如結(jié)構(gòu)設(shè)計(jì)中使得結(jié)構(gòu)內(nèi)最大應(yīng)力最小而歸結(jié)為極大極小優(yōu)化（minmax）問題、數(shù)據(jù)魯棒性擬合中采取最小絕對值準(zhǔn)則建立失擬函數(shù)等。其求解方法的研究越來越受到人們的重視，常用的算法有模式搜索法、單純形法、Powell方法等，但是這些方法都是局部優(yōu)化方法，優(yōu)化結(jié)果與初值有關(guān)。

近年來，由Holland研究自然現(xiàn)象與人工系統(tǒng)的自適應(yīng)行為時，借鑒“優(yōu)勝劣汰”的生物進(jìn)化與遺傳思想而首先提出的遺傳算法，是一種較為有效的求不可微非線性函數(shù)全局最優(yōu)解的方法。以遺傳算法為代表的進(jìn)化算法發(fā)展很快，在各種問題的求解與應(yīng)用中展現(xiàn)了其特點(diǎn)和魅力，但是其理論基礎(chǔ)還不完善，在理論和應(yīng)用上暴露出諸多不足和缺陷，如存在收斂速度慢且存在早熟收斂問題[1,2]。為克服這一問題，早在1989年Goldberg就提出混合方法的框架[2]，把GA與傳統(tǒng)的、基于知識的啟發(fā)式搜索技術(shù)相結(jié)合，來改善基本遺傳算法的局部搜索能力，使遺傳算法離開早熟收斂狀態(tài)而繼續(xù)接近全局最優(yōu)解。近來，文獻(xiàn)[3]和[4]在總結(jié)分析已有發(fā)展成果的基礎(chǔ)上，均指出充分利用遺傳算法的大范圍搜索性能，與快速收斂的局部優(yōu)化方法結(jié)合構(gòu)成新的全局優(yōu)化方法，是目前有待集中研究的問題之一，這種混合策略可以從根本上提高遺傳算法計(jì)算性能。文獻(xiàn)[5]采用牛頓－萊佛森法和遺傳算法進(jìn)行雜交求解旅行商問題，文獻(xiàn)[6]把最速下降法與遺傳算法相結(jié)合來求解連續(xù)可微函數(shù)優(yōu)化問題，均取得良好的計(jì)算效果，但是不適于不可微函數(shù)優(yōu)化問題。

本文提出把Powell方法融入浮點(diǎn)編碼遺傳算法，把Powell方法作為與選擇、交叉、變異平行的一個算子，構(gòu)成適于求解不可微函數(shù)優(yōu)化問題的混合遺傳算法，該方法可以較好解決遺傳算法的早熟收斂問題。數(shù)值算例對混合方法的有效性進(jìn)行了驗(yàn)證。

2混合遺傳算法

編碼是遺傳算法應(yīng)用中的首要問題，與二進(jìn)制編碼比較，由于浮點(diǎn)編碼遺傳算法有精度高，便于大空間搜索的優(yōu)點(diǎn)，浮點(diǎn)編碼越來越受到重視[7]。考慮非線性不可微函數(shù)優(yōu)化問題(1)，式中為變量個數(shù)，、分別是第個變量的下界和上界。把Powell方法嵌入到浮點(diǎn)編碼遺傳算法中，得到求解問題(1)如下混合遺傳算法：