遗传算法在计算机智能方面的运用

2015-07-03 09:25林涌
中国科技纵横 2015年12期
关键词:遗传算法

林涌

【摘 要】21世纪是一个经济、科技和学种学科知识相互交融的时代,在如今的工作生活中出现了一种应用率极高且较为广泛的随机搜素的优化方法,那便是在进化理论基础上发展起来的遗传算法。同时在当代的时代潮流中,它已经成功的引起了社会各界对它的关注,关于遗传算法在未来的发展,也引起了社会各界人士的注意。本文对遗传算法的应用领域及发展前景进行了探讨。

【关键词】遗传算法 计算机智能发展 未来的运用

关于遗传算法所带来的优势,可谓是有目众睹,但是,对于遗传算法的未来,能否与人的行为相比较,仍然是一个值得思考的问题。因为,在一些有关创新设计的项目选择上,它更多的依赖的还是人类的主观思考,所以,遗传算法在未来如何能够实现系统运用的最优化,且保证其不断的前进而不是后退,最终能够实现一种智能化评价的愿望,这也便成了大家所研究的重点。

1 遗传算法的定义

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,它是通过对达尔文生物进化论和遗传学机理的生物进化过程所进行的自然选择所得出的一种计算模型。遗传算法是从代表问题可能潜在的解集的一个种群开始的,而一个种群则由经过基因编码的一定数目的个体组成。每个个体实际上是染色体带有特征的实体。染色体作为遗传物质的主要载体,即多个基因的集合,其内部表现(即基因型)是某种基因组合,它决定了个体的形状的外部表现,如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境,末代种群中的最优个体经过解码,可以作为问题近似最优解。

2 关于遗传算法的基础内容

2.1遗传算法的基础知识

遗传算法是一种通过模拟生物进化而发明的智能优化算法,它的出现是在六十年代,同时遗传算法已经是进化计算研究的一个重要组成部分了。而关于遗传算法的主要操作方法是选择、交叉、变异这三个主要的遗传算子,遗传算法在求解大规模、高度非线性、不连续的最优化问题上具有显著的发展优势。

2.2遗传算法的优势所在

在过去我们通过工作经验的总结以后,我们会发现在与传统的优化方法相比较而言,遗传算法的优势所在之多,接下来我们就进行一系列的总结。第一,遗传算法是不需要目标函数的导数的,概率的转移准则。第二,遗传算法是一种收敛性的证明,它是一种新型高效的遗传算子设计;并且遗传算法与局部优化算法进行了有机的结合,且创造出了最大化的效益。第三,遗传算法的运用现在已经扩展到社会各界的应用领域中去,其广泛化有时候真的是令人难以置信的。第四,遗传算法使得计算机在目前的工作中已经愈发的简单化、系统化了。

2.3遗传算法所涉及到的主要应用领域

正如前文中我们所说的,遗传算法的应用领域早已扩展到社会各界的工作生活中,那么关于遗传算法的主要应用领域有以下几种。第一个,关于遗传算法应用领域中最为经典的代表便是函数优化了。函数的种类是多种多样的,比如有凸函数和凹函数、确定函数和随机函数、连续函数和离散函数等等。这些多种多样的函数来评价遗传算法的性能,往往更能反映出算法的本质结果与影响,在实践中证明之后,面对一些非线性、多模型、多目标的函数优化问题的时候,倘若不用遗传算法来进行求解,那么似乎找不到其他更方便和容易的优化方法了。第二个,在这个时代里,问题日益增多且难度与日俱增,关于组合优化的搜索空间也在迅速的扩大之中,因此,关于组合优化的问题也就凸现出来了。在面对这一类较为复杂性的问题时,我们早已将精力放在了满意的答案上,对于这个过程的发展似乎也没有想象中那么在意了,而对于现在人类所出现的这种现象,遗传算法是满足人类需求的最好的解决工具途径之一了。通过日常工作实践总结证明,遗传算法在很多的现实问题方面已经有了成功的案例和应用心得了。第三个,回归到我们的日常生产中,在生产调度的计算问题上,关于数据的计算是很难得到准确的答案,也正因如此,这个问题的出现总会令工作人员头疼不已,即使大家对这个问题进行一系列的简化,然后接着再进行计算工作,但是,即使是这样,计算出来的结果也往往与实际相差甚远,从而会影响工作的进度。但是遗传算法的出现却为我们带来了福音,终于可以摆脱计算的魔咒,更重要的是可以得到一个准确的数据,并且可以使得我们日常的工作生产有效率的进行着。第四个,图像处理是计算机所涉及到的一个重要研究领域。通过日常的工作,我们可以发现在通过计算机进行图像处理工作时,比如扫描、特征提取、图像分割时,总会出现这样或者那样的误差,从而导致图像效果的不理想化。在关于如何将它更接近真实化的问题上,我们进行了长期的研究调查,最终,我们发现只有遗传算法能够图片处理中所遇到的一些误差问题进行合理的解决,这也算是为遗传算法在计算机图像处理应用中找到了自己的用武之地。第五个,人工生命是计算机、机械等人下媒体模拟或者构造出的具有自然生物系统特有行为的人造系统。在关于人工生命的两个重要特征是自组织能力和自学习能力。当然,人工生命与遗传算法也是有着密不可分的关系的。基于遗传算法的进化模型是研究人工生命现象的重要基础理论。遗传算法与人工生命两者一路都是结伴而行且相辅相成的,在未来,这两者的相辅相成定然可以使双方走得更远。第六个,在近几年的计算机发展过程中,发展越来越快的数据库技术,便是数据挖掘的出现,它有能力将知识和规则从无穷无尽的大型数据库中提取出来,并进行一系列的相关数据计算。在应用中,遗传算法在数据库中搜索,对一些随机产生的数据重新进行了规则覆盖。通过结果表明,遗传算法也是数据挖掘的最有效方法之一。

3 遗传算法的发展趋势

3.1遗传算法的未来实现方案

在关于遗传算法的实现方案中,我们进行了多种的计算以及分析,最终关于并行遗传算法的实现方案可以分为三类:第一个,从全局型出发,系统分为一个主处理器和若干个从处理器。主处理器监控 整个染色体种群,并基于全局统计执行选择操作;各个从 处理器接受来自主处理器的个体进行重组交叉和变异,产 生新一代个体,并计算适应。第二个,独立型,粗粒度模型,我们可以将种群分成若干个子群体并且能够分配给各自对应的处理器,同时每个处理器不光光独立计算适应程度,而且独立进行选择、重组交叉和变异操作,同时,在日常的工作中还要做到定时定点的相互传送适应程度最后的那个个体,由此来加快满足中职条件的要求。需要注意的是粗粒度模型也称为岛屿模型,而在此基础上的遗传算法也被称为分布式的遗传算法。

3.2关于遗传算法的未来

纵观遗传算法的发展历程,我们可以发现的是遗传算法在为人类的生活带来方便的同时,它也有这样或者那样的缺点需要我们进行改进,比如它的编码存在着不规范不准确的细节问题;遗传算法在计算或运行的过程中,没有有效的定量分析方法;遗传算法通常来说效率会比其他的传统算法的效率低一些;遗传算法的编码问题不能全面的将优化问题的约束表达出来,因此,在遗传算法的编码方面,依旧存在着许多的细节问题,这些问题的解决也是迫在眉睫的,所以我们在日后的工作中要加强相关方面的工作提升。

4 结语

随着计算机应用领域的分苏发展,我们不容置疑的是遗传算法在这一发展过程中提供了更加有力的手段。在这飞速发展的过程中,在国民生产、科学技术研究方面得到了较为广泛的应用。这个科学技术发展的时代中,现代科技对于随机性问题,想要对其进行合理的解决更加困难不已,但是在遗传算法的出现时,这一切都有了希望。通过我们对遗传算法在社会各界的应用领域进行了总结,但是我们依旧希望在未来,我们对其相关研究领域的进一步分析与工作起到一定的推动作用。

参考文献:

[1]吴大宏,赵人达.基于遗传算法与神经网络的桥梁结构健康监测系统研究初探[J].四川建筑科学研究,2002年03期.

[2]张安勤.数据挖掘与进化算法[J].安徽教育学院学报,2002年03期.

[3]孟红云,刘三阳.求解多目标优化问题的多智能体遗传算法[J].西北大学学报(自然科学版),2005年01期.

[4]李俊峰,戴文战.基于遗传算法和灰色关联度的多目标问题求解方法研究[A].第25届中国控制会议论文集(上册)[C].2006年.

[5]蒙祖强,蔡自兴.一种新的基于遗传算法的数据分类方法[J].小型微型计算机系统,2004年04期.

猜你喜欢
遗传算法
遗传算法对CMAC与PID并行励磁控制的优化
基于自适应遗传算法的CSAMT一维反演
基于遗传算法的建筑物沉降回归分析
一种基于遗传算法的聚类分析方法在DNA序列比较中的应用
基于遗传算法和LS-SVM的财务危机预测
遗传算法识别模型在水污染源辨识中的应用
协同进化在遗传算法中的应用研究
软件发布规划的遗传算法实现与解释
基于遗传算法的三体船快速性仿真分析
基于改进的遗传算法的模糊聚类算法