遗传算法理论及其应用发展

1、遗传算法理论及其应用发展王志美 , 陈传仁(长江大学地球物理与石油资源学院 , 荆州 434023摘要 :遗传算法是现在地球物理勘探中应用广泛的一种最优化搜索方法。 文章综合概述了遗传算 法的基本原理方法和发展方向 , 从该方法的可实现过程方面对其进行了分析 , 介绍了遗传算法的遗传过 程、 发展现状及其应用前景。关键词 :遗传算法 ; 染色体 ; 最优解 1基础理论遗 传算法 (Genetic Alg orithm , GA 是 1975年由美国学者 Holland 提出的 , 它是一种模拟自然 选择和遗传学理论 , 依据适者生存的原理而建立的 一种最优化高效搜索算法。因其有很强的解决问题

2、的能力和广泛的适应性 , 因而近年来渗透到研究与 工程的各个领域 , 取得了良好的效果。遗传算法是一种随机全局搜索算法 , 它对目标 空间进行随机搜索。它将问题域中的可能解看作是 群体的一个个体或染色体 , 并对每一个个体用二进 制表示法或浮点数表示法进行编码 , 实现模型的参 数化 , 把代表模型集参数空间中的每一点都一一映 射到染色体空间的染色体上 , 对群体反复进行基于 遗传学的操作 , 根据预定的目标函数对每个个体进 行评价 , 经过基本的遗传操作过程 , 并反复迭代不断 优化繁殖以产生新的一代 , 不断得到更优的群体 , 同 时以全局并行搜索方式来搜索优化群体中的最优个 体 , 求得

3、满足要求的最优解。遗传算法的几个基本概念 :¹染色体 (Chro mosome :在使用 GA 时 , 需要 把问题解编成具有固定结构的符号串 , 它的每一位 代表一个基因。 一个染色体就代表问题的一个解 , 每 个染色体称为一个个体。º群体 (Population :每 代所产生的染色 体总 数。一个群体包含了该问题在这一代的一些解的集 合。»适应度 (Fitness :每个个体对应一个具体问 题的解 , 每个解对应的函数值即为适应函数 , 它是衡 量染色体对环境适应度的指标 , 也是反映实际问题 的目标函数。 2计算方法用遗传算法求解的过程是根据待解问题的参数

4、 集进行编码 , 随机产生一个种群 , 计算适应函数和选 择率 , 进行选择、 交叉、 变异等遗传操作 , 如果满足迭 代收敛条件 , 这个种群为最好个体 , 否则 , 对产生的 新一代群体重新进行遗传操作 , 往复循环直到满足 条件。其模型原理如图 1 所示。图 1遗传算法搜索原理图基本的遗传操作有 :¹选择 (Select , 按一定的概率从上代群体中选 择 M 对个体作为双亲 , 直接拷贝到下一代 , 染色体 不发生变化。一种最常用也最简单的选择概率计算 公式为 :P s (x i =f (x i /2if (x i 其中 f(x i 为模型 x i 的适值。º交叉

5、(Crosso ver 是从旧的种群中随机选择 两个个体 , 交换遗传信息 , 产生后代的过程。»变异 (M utation 即产生新基因的过程 , 对选44内蒙古石油化工 2006年第 9期(中的群体中的个体 (染色体 , 随机选取某一位进行 取反运算。这样可以防止遗传算法收敛到局部最优 解 , 有助于扩大寻优范围 , 增强搜索能力。尤其在遗 传算法后期 , 种群中的个体和适应值都相似时 , 种群 的进一步进化依赖于变异操作。综上 , 运用遗传算法求最优解的过程可分为以 下几个步骤 :¹对待解决问题进行编码 ;º随机 给定 一组 初始解 X (0 =(X 1,

6、X 2, , X n ;»评价当前组的性能 , 对当前群体 x (t 中每个 个体 x i 计算其适应度 f(x i ;¼根据 »的评价结果 , 从当前解中选择一定数 量的解作为遗传操作的对象 ;½对所选择的解进行遗传操作 , 得到一组新的 解 ;¾返回到 »对该组新解进行评价 ;¿若当前解满足要求或进化过程达到一定值 , 计算结束 , 否则转向 ¼继续。遗传算法在最初几次迭代中 , 个体的出现是良 莠并存的 , 适应度也不高 , 随着迭代次数的增加 , 适 应度高的个体依次被遗传出来。 对于解决优化问题 , 如条

7、件选择等 , 遗传算法有很多优势 , 特别是具有很 高的搜索次序且搜索具有探索性和自进化能力。 3 GA 的应用现状和展望 3. 1遗传算法的应用现状遗传算法是多学科结合与渗透的产物 , 已经发 展成一种自组织、 自适应的综合技术。 作为一种有效 的全局搜索方法 , 从产生至今已广泛地运用于包括 工程设计、 制造业、 人工智能、 计算机科学、 生物工 程、 石油勘探、 自动控制、 社会科学、 商业和金融等多 个领域。 石油勘探方面主要应用于预测油田产量 , 优 化油田开发 , 测井解释的最优化 , 推断地层渗透率分 布等很多方面。3. 2遗传算法的应用展望遗传算法弥补了传统优化技术的不足 ,

8、在油气 勘探、 开发领域中许多问题的求解和应用中展现了 它的特点和魅力。 但在目前 , 遗传算法在理论和应用 技术上都还存在一些不足和缺陷 , 在实际应用中有 时候容易出现早熟收敛和收敛性能差的缺点 , 同时 遗传算法并不是万能的 , 几乎都是针对特定问题求 解而言的 , 并不能完全取代某个特定领域中已有的 优化技术 , 他们都有各自的适用范围。 对于某一个特 殊领域而言 , 遗传算法往往比不上处理该领域问题 的算法。因此 , 遗传算法现阶段的研究重点回到了基本理论的开拓和深化以及对遗传算法有效的操作技术 和方法的改进上来。 在油气勘探开发领域的应用中 , 将会随着应用领域的拓宽 , 其问题的

9、规模和复杂程 度越来越大 , 要想充分发挥遗传算法的优点 , 同时克 服它的不足 , 趋势之一是采用混合算法的策略 , 即把 遗传算法与模拟退火算法、 神经网络、 混沌理论等方 法有效地结合起来 , 设计一个新的混合算法 , 达到取 长补短的作用 , 使其在性能上突破单一算法的局限 性 , 进一步提高优化质量和搜索效率 ; 对一些基因操 作进行改进 , 例如采用多点交叉、 启发式交叉等交叉 操作 ; 自适应变异、 多级变异等变异操作 ; 在种群宏 操作中引入小生存环境和物种形成的思想。通过对 遗传算法的基因操作进行改进 , 可以改进其收敛性 能 , 提高收敛速度。 4结束语整个遗传算法的基础理

10、论研究还显得薄弱 , 还 有许多问题需要在实践中探索改进 , 近年来它的不 断发展以及在许多方面的成功应用已显示出其独特 的优势 , 随着遗传算法的进一步完善和发展以及在 油气勘探、 开发领域中应用的深入 , 其广泛的应用潜 力将进一步得到挖掘 , 其应用范围还会不断地扩大 , 为解决一些石油勘探开发中的难题提供一个强有力 的工具。 参考文献1姚姚 . 地球物理反演 -基于理论与应用方法M .北京 :中国地质大学出版社 , 2002, 76. 2李玉蓉 , 李霞 , 陈光海 , 胡兴中 . 遗传算法国际石油合作勘探开发项目投资组合的新方法 J.辽宁 :海洋石油 , 2004:5055.3石琳珂

11、 , 孙铭心 . 地球物理遗传反演方法 M .北京 :地震出版社 , 2000.4王光兰 , 贾永禄 . 遗传算法在油田产量预报中的应用 J .四川 :西南石油学院学报 , 2000, 22(2 :3435.5王飞朝 . 遗传算法编程分析 J .陕西 :火控雷达技术 , 2005. 6:6366.6李敏强 , 寇纪淞 . 遗传算法的基本理论与应用M .北京 :科学出版社 , 2002.7郎兆新 . 油藏工程基础 M . 东营 :石油大学出版社 , 1994.8周明 , 孙树栋 . 遗传算法原理 及应用 M .北京 :国防工业出版社 , 1999.9余新宁 , 王文鹏 , 张骏 . 遗传算法程序的模块化设计 J . 陕西 :微机发展 , 2003, 13(3 :46. Abstract :Genetic Algo rithm is an o ptimization searching m ethod, w hich is used comprehensively in modern exploration geophysics. T his article summarized the GA 's basic pr incipium , computing metho d and its developm ent way