2) 对于求目标函数最小值的优化问题Cmax为一个适当地相对比较大的数：预先制定；进化到当前为止的最大目标函数 值；当前代或最近几代的最大目标函数值2. 比例选择算子：(有退还随机选择，赌盘选择)个体被选中遗传到下一代的概率与该个体适应度大小成正比； 执行过程：(1) 计算出所有个体适应度总和；(2) 计算出每一个体相对适应度大小，即各个体被遗传到下一代群体中的概率(3) 0到1随机数，确定各个体被选定的次数；3. 单点交换算子：执行过程：(1) 群体中的个体两两配对，共有I 紗对个体组；(2) 对每一对配对个体，随机设置某一基因座之后的位置为交叉点染色体长度为n, 共有 n-1 个可能的交叉点位置3) 对每一对配对个体，依交叉概率Pc在交叉点相互交换两个个体的部分染色体，产 生新的个体A：1 0 1 1 0 1 1 1 [o 0 单点交叉 A' 11O11O111U1B：O 0 0 1 1 1 0 0 H 1 ；O 0011100=00交叉占4. 基本位变异算子： 执行过程：(1) 对个体的每一个基因座，依变异概率Pm指定变异点；(2) 对每一个指定变异点，对其基因位反运算或用其他基因位代替，产生新个体。
— 基本位变异A：1 0 1 o iii 0 1 0 1 0 :——》A“： 1 0 1 0 ioi 0 1 0 1 0变异点5. 遗传算法的应用步骤第一步：确定决策变量及其约束条件，即确定出个体的表现型X和问题解空间第二步：建立优化模型，即确定出目标函数的类型(最大？最小？)及其数学描述形式和量 化方法第三步：确定表示可行解的染色体编码方法，也即确定出个体的基因型X及遗传算法的搜 索空间第四步：确定解码方法，即确定基因型X到个体表现型X的对应关系或转化方法第五步：确定个体适应度的量化评价方法，即确定出由目标函数f(X)到个体适应度F(X)的 转换规则第六步：设计遗传算子，即确定出选择算子，变异算子，交叉算子的具体操作步骤 第七步：确定遗传算法的有关运行参数， M， T， Pc， Pm例】Rosenbrock函数的全局最大值计算max f (xi» 孔)=100 (工：—工2尸十(1 ~ X\)2举例： '遗传算法构造过程：第一步：确定决策变量及其约束条件，即确定出个体的表现型X和问题解空间— 2.048W^W2.048 1, 2) (2-7)第二步：建立优化模型，即确定出目标函数的类型(最大？最小？)及其数学描述形式和量 化方法。
第三步：确定表示可行解的染色体编码方法，也即确定出个体的基因型X及遗传算法的搜 索空间用长度10位的二进制编码串表示xl,x2,1024个数表示-2.048到2.048共4096个离散点 例如：基因型 X： 0000110111 1101110001第四步：确定解码方法，即确定基因型X到个体表现型X的对应关系或转化方法将代码yi转换为xi的解码公式:= 4.096 x1023-2.048（；=1, 2）x1=4.096*55/1023-2.048=-1.818; x2=4.096*881/1023-2.048=1.476个体表现型X{-1.818, 1.476}第五步：确定个体适应度的量化评价方法，即确定出由目标函数f(X)到个体适应度F(X)的 转换规则max f J1，乂2)=100—帀)？十(1 —列)2目标函数不为负， F(X)=f(x1,x2)第六步：设计遗传算子，即确定出选择算子，变异算子，交叉算子的具体操作步骤比例选择算子，单点交叉算子，基本位变异算子 第七步：确定遗传算法的有关运行参数， M， T， Pc， PmM=80；T=200；Pc=0.6；Pm=0.0013. 遗传算法的基本实现技术3.1.编码方法遗传算法对个体编码实施选择，交叉，变异，不断搜索出适应度较高的个体，并在群体 中增加其数量，最终寻求近似最优解。
把一个问题可行解从其解空间转换到遗传算法所能处理的搜索空间的转换方法就叫编 码首要问题，关键步骤编码方法很大程度上决定如何进行群体的遗传进化运算以及遗传进化运算的效率 好的编码方法，使得交叉，变异运算简单的实现和执行差的编码方法，使得交叉，变异运算难以实现，产生无效解影响效率编码原则一：有意义积木块编码原则；应使用能易于产生与所求问题相关的且具有低阶 短定义长度模式的编码方案模式；指具有某些基因相似性的个体的集合使用易于生成适应度较高的个体的编码方 案编码原则二：最小字符集编码原则：应使用能使问题得到自然表示或描述的具有最小编码字符集的编码方案进制编码方法某一参数的取值范围［Umin,Umax］,用长度1的二进制编码符号串表示该参数，产生21 不同编码编码精度：―-1解码公式：工=U min +（若妇2一）・％；： 丁罰优点：编解码简单易行；交叉变异等遗传操作便于实现；符合最小字符集编码规则；便于利用模式定理对算法进行理论分析格雷码编码方法二进制编码为：BKs i…厂山格雷编码为：" 只品松i… HSm — *二进制码到格雷码转换公式：gi = ㊉b讥 I = m 1, m -2,…，1格雷码到二进制码转换公式：a —b r+“「—中I，小 二…、］ 遗传算法中使用格雷码进行个体编码的主要原因：任意两个整数的差，是对应格雷码的 海明距离。
遗传算法局部搜索能力不强，因为：新一代群体的产生主要是依靠上一代群体之间的随 机交叉重组来完成对于变异操作，个体基因型X的微小差异，产生个体表现型X的 相差较大格雷码不会优点：提高遗传算法的局部搜索能力；交叉变异等遗传操作便于实现；符合最小字符集 编码原则；便于利用模式定理对算法进行理论分析浮点数编码方法二进制编码存在连续函数离散化时的映射误差；不便于反应所求问题的特定知识每个基因值用某一范围内的一个浮点数来表示，个体的编码长度等于其决策变量的个 数优点：表示范围较大的数；适合精度较高的遗传算法；便于较大空间的遗传搜索；改善遗传算法计算复杂性；符号编码方法基因值取自一个无数值含义，而只有代码含义的符号集 优点：符合有意义积木块编码原则；便于在遗传算法中利用所求解问题的专门知识；便 于遗传算法和相关近似算法的混合使用多参数级联编码方法将各个参数分别以某种编码方法进行编码，按一定顺序连接在一起，组成了表示全部参数的个体编码每个参数编码方式可以不同，上下界可以不同，编码长度精度可以不同多参数交叉编码方法将各参数中起主要作用的码位集中在一起，不易被遗传算子破坏掉参数编码:bxb"bn…bf21幻2"23…02罚…九1以2宀3…小2^22…仏2»3&23…叽?•* :叭訪2税…叽协级联:适合于各参数之间的相互关系较弱，特别是某一个或少数几个参数起主要作用时 的优化问题。
交叉：适合于各参数之间的相互关系较强，各参数对最优解的贡献相当时的优化问题3.2.适应度函数遗传算法中，群体的进化过程就是以群体中各个个体的适应度为依据，通过反复迭代 不断寻求出适应度较大的个体，最终得到最优解或次优解目标函数和适应度函数(1) 求最大值：(2) 求最小值：适应度尺度变换：各个个体被遗传到下一代群体中的概率由该个体的适应度来确定为了克服遗传算法中出现早熟现象(早起收敛)，希望在遗传算法运行的初期阶段， 对适应度较高的个体进行控制，降低其适应度与其他个体适应度之间的差异程度， 限制其复制数量，维护群体多样性为了克服算法运行后期阶段因为个体平均适应度和最佳适应度相近而导致的竞争力 不强的问题，算法对适应度适当放大，扩大个体最佳适应度与其他个体适应度之间 的差异程度，提高个体间的竞争性定义：在遗传算法运行的不同阶段，对个体的适应度进行适当的扩大或缩小，称为 适应度尺度变换⑴ 线性尺度变换:F'二材卜。