遺傳算法理論及其應(yīng)用發(fā)展

1、遺傳算法理論及其應(yīng)用發(fā)展王志美 , 陳傳仁(長江大學(xué)地球物理與石油資源學(xué)院 , 荊州 434023摘要 :遺傳算法是現(xiàn)在地球物理勘探中應(yīng)用廣泛的一種最優(yōu)化搜索方法。 文章綜合概述了遺傳算 法的基本原理方法和發(fā)展方向 , 從該方法的可實(shí)現(xiàn)過程方面對其進(jìn)行了分析 , 介紹了遺傳算法的遺傳過 程、 發(fā)展現(xiàn)狀及其應(yīng)用前景。關(guān)鍵詞 :遺傳算法 ; 染色體 ; 最優(yōu)解 1基礎(chǔ)理論遺 傳算法 (Genetic Alg orithm , GA 是 1975年由美國學(xué)者 Holland 提出的 , 它是一種模擬自然 選擇和遺傳學(xué)理論 , 依據(jù)適者生存的原理而建立的 一種最優(yōu)化高效搜索算法。因其有很強(qiáng)的解決問題

2、的能力和廣泛的適應(yīng)性 , 因而近年來滲透到研究與 工程的各個領(lǐng)域 , 取得了良好的效果。遺傳算法是一種隨機(jī)全局搜索算法 , 它對目標(biāo) 空間進(jìn)行隨機(jī)搜索。它將問題域中的可能解看作是 群體的一個個體或染色體 , 并對每一個個體用二進(jìn) 制表示法或浮點(diǎn)數(shù)表示法進(jìn)行編碼 , 實(shí)現(xiàn)模型的參 數(shù)化 , 把代表模型集參數(shù)空間中的每一點(diǎn)都一一映 射到染色體空間的染色體上 , 對群體反復(fù)進(jìn)行基于 遺傳學(xué)的操作 , 根據(jù)預(yù)定的目標(biāo)函數(shù)對每個個體進(jìn) 行評價 , 經(jīng)過基本的遺傳操作過程 , 并反復(fù)迭代不斷 優(yōu)化繁殖以產(chǎn)生新的一代 , 不斷得到更優(yōu)的群體 , 同 時以全局并行搜索方式來搜索優(yōu)化群體中的最優(yōu)個 體 , 求得

3、滿足要求的最優(yōu)解。遺傳算法的幾個基本概念 :¹染色體 (Chro mosome :在使用 GA 時 , 需要 把問題解編成具有固定結(jié)構(gòu)的符號串 , 它的每一位 代表一個基因。 一個染色體就代表問題的一個解 , 每 個染色體稱為一個個體。º群體 (Population :每 代所產(chǎn)生的染色 體總 數(shù)。一個群體包含了該問題在這一代的一些解的集 合。»適應(yīng)度 (Fitness :每個個體對應(yīng)一個具體問 題的解 , 每個解對應(yīng)的函數(shù)值即為適應(yīng)函數(shù) , 它是衡 量染色體對環(huán)境適應(yīng)度的指標(biāo) , 也是反映實(shí)際問題 的目標(biāo)函數(shù)。 2計算方法用遺傳算法求解的過程是根據(jù)待解問題的參數(shù)

4、 集進(jìn)行編碼 , 隨機(jī)產(chǎn)生一個種群 , 計算適應(yīng)函數(shù)和選 擇率 , 進(jìn)行選擇、 交叉、 變異等遺傳操作 , 如果滿足迭 代收斂條件 , 這個種群為最好個體 , 否則 , 對產(chǎn)生的 新一代群體重新進(jìn)行遺傳操作 , 往復(fù)循環(huán)直到滿足 條件。其模型原理如圖 1 所示。圖 1遺傳算法搜索原理圖基本的遺傳操作有 :¹選擇 (Select , 按一定的概率從上代群體中選 擇 M 對個體作為雙親 , 直接拷貝到下一代 , 染色體 不發(fā)生變化。一種最常用也最簡單的選擇概率計算 公式為 :P s (x i =f (x i /2if (x i 其中 f(x i 為模型 x i 的適值。º交叉

5、(Crosso ver 是從舊的種群中隨機(jī)選擇 兩個個體 , 交換遺傳信息 , 產(chǎn)生后代的過程。»變異 (M utation 即產(chǎn)生新基因的過程 , 對選44內(nèi)蒙古石油化工 2006年第 9期(中的群體中的個體 (染色體 , 隨機(jī)選取某一位進(jìn)行 取反運(yùn)算。這樣可以防止遺傳算法收斂到局部最優(yōu) 解 , 有助于擴(kuò)大尋優(yōu)范圍 , 增強(qiáng)搜索能力。尤其在遺 傳算法后期 , 種群中的個體和適應(yīng)值都相似時 , 種群 的進(jìn)一步進(jìn)化依賴于變異操作。綜上 , 運(yùn)用遺傳算法求最優(yōu)解的過程可分為以 下幾個步驟 :¹對待解決問題進(jìn)行編碼 ;º隨機(jī) 給定 一組 初始解 X (0 =(X 1,

6、X 2, , X n ;»評價當(dāng)前組的性能 , 對當(dāng)前群體 x (t 中每個 個體 x i 計算其適應(yīng)度 f(x i ;¼根據(jù) »的評價結(jié)果 , 從當(dāng)前解中選擇一定數(shù) 量的解作為遺傳操作的對象 ;½對所選擇的解進(jìn)行遺傳操作 , 得到一組新的 解 ;¾返回到 »對該組新解進(jìn)行評價 ;¿若當(dāng)前解滿足要求或進(jìn)化過程達(dá)到一定值 , 計算結(jié)束 , 否則轉(zhuǎn)向 ¼繼續(xù)。遺傳算法在最初幾次迭代中 , 個體的出現(xiàn)是良 莠并存的 , 適應(yīng)度也不高 , 隨著迭代次數(shù)的增加 , 適 應(yīng)度高的個體依次被遺傳出來。 對于解決優(yōu)化問題 , 如條

7、件選擇等 , 遺傳算法有很多優(yōu)勢 , 特別是具有很 高的搜索次序且搜索具有探索性和自進(jìn)化能力。 3 GA 的應(yīng)用現(xiàn)狀和展望 3. 1遺傳算法的應(yīng)用現(xiàn)狀遺傳算法是多學(xué)科結(jié)合與滲透的產(chǎn)物 , 已經(jīng)發(fā) 展成一種自組織、 自適應(yīng)的綜合技術(shù)。 作為一種有效 的全局搜索方法 , 從產(chǎn)生至今已廣泛地運(yùn)用于包括 工程設(shè)計、 制造業(yè)、 人工智能、 計算機(jī)科學(xué)、 生物工 程、 石油勘探、 自動控制、 社會科學(xué)、 商業(yè)和金融等多 個領(lǐng)域。 石油勘探方面主要應(yīng)用于預(yù)測油田產(chǎn)量 , 優(yōu) 化油田開發(fā) , 測井解釋的最優(yōu)化 , 推斷地層滲透率分 布等很多方面。3. 2遺傳算法的應(yīng)用展望遺傳算法彌補(bǔ)了傳統(tǒng)優(yōu)化技術(shù)的不足 ,

8、在油氣 勘探、 開發(fā)領(lǐng)域中許多問題的求解和應(yīng)用中展現(xiàn)了 它的特點(diǎn)和魅力。 但在目前 , 遺傳算法在理論和應(yīng)用 技術(shù)上都還存在一些不足和缺陷 , 在實(shí)際應(yīng)用中有 時候容易出現(xiàn)早熟收斂和收斂性能差的缺點(diǎn) , 同時 遺傳算法并不是萬能的 , 幾乎都是針對特定問題求 解而言的 , 并不能完全取代某個特定領(lǐng)域中已有的 優(yōu)化技術(shù) , 他們都有各自的適用范圍。 對于某一個特 殊領(lǐng)域而言 , 遺傳算法往往比不上處理該領(lǐng)域問題 的算法。因此 , 遺傳算法現(xiàn)階段的研究重點(diǎn)回到了基本理論的開拓和深化以及對遺傳算法有效的操作技術(shù) 和方法的改進(jìn)上來。 在油氣勘探開發(fā)領(lǐng)域的應(yīng)用中 , 將會隨著應(yīng)用領(lǐng)域的拓寬 , 其問題的

9、規(guī)模和復(fù)雜程 度越來越大 , 要想充分發(fā)揮遺傳算法的優(yōu)點(diǎn) , 同時克 服它的不足 , 趨勢之一是采用混合算法的策略 , 即把 遺傳算法與模擬退火算法、 神經(jīng)網(wǎng)絡(luò)、 混沌理論等方 法有效地結(jié)合起來 , 設(shè)計一個新的混合算法 , 達(dá)到取 長補(bǔ)短的作用 , 使其在性能上突破單一算法的局限 性 , 進(jìn)一步提高優(yōu)化質(zhì)量和搜索效率 ; 對一些基因操 作進(jìn)行改進(jìn) , 例如采用多點(diǎn)交叉、 啟發(fā)式交叉等交叉 操作 ; 自適應(yīng)變異、 多級變異等變異操作 ; 在種群宏 操作中引入小生存環(huán)境和物種形成的思想。通過對 遺傳算法的基因操作進(jìn)行改進(jìn) , 可以改進(jìn)其收斂性 能 , 提高收斂速度。 4結(jié)束語整個遺傳算法的基礎(chǔ)理

10、論研究還顯得薄弱 , 還 有許多問題需要在實(shí)踐中探索改進(jìn) , 近年來它的不 斷發(fā)展以及在許多方面的成功應(yīng)用已顯示出其獨(dú)特 的優(yōu)勢 , 隨著遺傳算法的進(jìn)一步完善和發(fā)展以及在 油氣勘探、 開發(fā)領(lǐng)域中應(yīng)用的深入 , 其廣泛的應(yīng)用潛 力將進(jìn)一步得到挖掘 , 其應(yīng)用范圍還會不斷地擴(kuò)大 , 為解決一些石油勘探開發(fā)中的難題提供一個強(qiáng)有力 的工具。 參考文獻(xiàn)1姚姚 . 地球物理反演 -基于理論與應(yīng)用方法M .北京 :中國地質(zhì)大學(xué)出版社 , 2002, 76. 2李玉蓉 , 李霞 , 陳光海 , 胡興中 . 遺傳算法國際石油合作勘探開發(fā)項目投資組合的新方法 J.遼寧 :海洋石油 , 2004:5055.3石琳珂

11、 , 孫銘心 . 地球物理遺傳反演方法 M .北京 :地震出版社 , 2000.4王光蘭 , 賈永祿 . 遺傳算法在油田產(chǎn)量預(yù)報中的應(yīng)用 J .四川 :西南石油學(xué)院學(xué)報 , 2000, 22(2 :3435.5王飛朝 . 遺傳算法編程分析 J .陜西 :火控雷達(dá)技術(shù) , 2005. 6:6366.6李敏強(qiáng) , 寇紀(jì)淞 . 遺傳算法的基本理論與應(yīng)用M .北京 :科學(xué)出版社 , 2002.7郎兆新 . 油藏工程基礎(chǔ) M . 東營 :石油大學(xué)出版社 , 1994.8周明 , 孫樹棟 . 遺傳算法原理 及應(yīng)用 M .北京 :國防工業(yè)出版社 , 1999.9余新寧 , 王文鵬 , 張駿 . 遺傳算法程序的模塊化設(shè)計 J . 陜西 :微機(jī)發(fā)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