遗传算法及其在路径规划中的应用

（2）种群（群体）：所有个体的集合（population）。
（3）种群规模：种群中个体的数量称为种群规模（population size）。
（4）基因：个体中的每一位称为一个基因（gene）。
（5）适应度函数：能够评价个体对环境适应能力的函数
（fitness function）。
4
2020年5月14日12时24分
另外，如果对于寻优问题有某些先验知识，则可先将这些
先验知识转变为必须满足的一组约束，然后再在满足这些约束
的解中随机地选取个体以组成初始种群。
（3）适应度函数的确定 适应度函数是遗传算法与实际优化问题之间的接口。在遗
传算法中要求适应度函数值是非负的，且任何情况下都希望其
值越大越好；而实际优化问题的目标函数并不一定满足这个条
函数的优化方向应与适应度值增大的方向一致。设实际优化问 题的目标函数为J(x)，遗传算法的适应度函数为f(x)，则有：
①可以将适应度函数表示为实际优化问题目标函数的线性
形式，即有
遗传算法及其在路径规划 中的应用
北京科技大学自动化学院控制科学与工程系
1
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
参考书目：
（1）周德俭，吴斌. 智能控制. 重庆：重庆大学出 版社，2005
（2）李少远，王景成. 智能控制. 北京：机械工业 出版社，2005
（3）李人厚. 智能控制理论和方法. 西安：西安电 子科技大学出版社，1999
常规的数学优化技术基于梯度寻优技术，计算速度快，但 要求优化问题具有可微性，且通常只能求得局部最优解；而模 拟进化方法无可微性要求，适用于任意的优化问题，尤其适用 于求解组合优化问题以及目标函数不可微或约束条件复杂的非 线性优化问题。由于它们采用随机优化技术，所以会以较大的 概率求得全局最优解。其计算费用较高的问题也因计算机软硬 件技术的飞速发展而不再成为制约因素。
目前所使用的字符串编码方式主要有：二进制、实数（浮 点数）和符号等。
（1）采用二进制形式编码，个体的位数多，描述得比较 细致，从而加大了搜索范围；但交叉运算的计算量较大，并且 由于大量的具体问题本身都是十进制的，所以还需对实际参数 进行编码和译码，从而增加了额外的计算时间。
（2）采用实数（浮点数）编码，交叉运算的计算量较小， 但变异过程难于进行。
总计
适应度 f (x)=x2
169 576 64 361
1170
复制概率
fi
fi
0.144 0.492 0.055 0.309
1.000
期望的复制 数
fi fi
0.58 1.97 0.22 1.23
4.00
平均值
292.5
0.25
1.00
最大值
576
0.492
1.97
实际得到 的复制数
1 2 0 1
3
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
1.1 遗传算法的基本概念 1.1.1 进化的基本理论 （1）Darwin生物进化论 （2）Mendel自然遗传学说
1.1.2 遗传算法术语简介
（1）个体（染色体）：遗传算法求解实际问题时，首先对待 优化问题的参数进行编码（一般采用二进制码串表示），从而 得到一个字符串，该字符串被称为一个个体（individual ）或 一个染色体（chromosome）。
北京科技大学自动化学院控制科学与工程系
5
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
6
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
（4）复制 采用赌轮法计算各个个体被复制的次数。
表3 复制操作过程
标号 初始种群 x值
1 01101 13 2 11000 24 3 01000 8 4 10011 19
4
1
2
7
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
wenku.baidu.com 8
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
9
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
1.2 遗传算法的基本步骤 1.2.1 遗传算法的流程
确定表示问题解的编码 随机生成初始种群
确定适应度函数f 计算种群中各个体的适应度 fi 选择高适应度的个体进行复制
交叉 变异
是 是否满足收敛判据？
否
输出最优解
图1 遗传算法的基本流程图
10
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
1.2.2 遗传算法的具体实现 （1）编码方式的选取
利用遗传算法求解实际问题时，问题的解是用字符串来表 示的，遗传算子也是直接对字符串进行操作的。因此，如何用 适当的字符串编码来表示问题的解成为了遗传算法应用过程中 的首要问题。
件，有的是正的，有的可能为负，甚至可能是复数值。因此，
对于任意优化问题，首先应把其数学形式表示为遗传算法适于
求解的形式，同时要保证二者在数学优化层面上是等价的。这 个过程称为适应度转换。
12
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
适应度转换首先要保证适应度值是非负的，其次要求目标
（3）符号编码方式通常在一些专门的应用场合使用。
11
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
（2）初始种群的产生 初始种群对应着问题的初始解，通常有两种方式产生：
①完全随机方式产生（字符串每一位均随机产生）；
②随机数发生器方式产生（整个字符串用随机数发生器一
次产生）。
（4）王顺晃，舒迪前. 智能控制系统及其应用（第 二版）. 北京：机械工业出版社，2005
2
2020年5月14日12时24分
北京科技大学自动化学院控制科学与工程系
1 遗传算法产生的背景
20世纪60年代，美、德等国家的一些科学家开始模仿生物 和人类进化的方法来求解复杂优化问题，从而形成了模拟进化 优化方法（Optimization Method by Simulated Evolution）， 其代表性方法有遗传算法（GA：Genetic Algorithms）、进化 规划（EP：Evolutionary Programming）、进化策略（ES： Evolutionary Strategies）。本讲将主要对GA进行详细介绍。