|
MS软件gulp模块中文翻译46-遗传算法基于Newton-Raphson等方法的传统最小化技术是定位局部极小值的优秀方法。然而，它们在寻找全局极小值方面的作用有限。例如，如果化合物及其晶胞的化学组成是已知的，但结构是未知的，那么要求定位最稳定的排列，以将原子放置在晶胞内。 用手系统地搜索一组合理的原子坐标可能需要很长时间。遗传算法（Gallagher等人，1991）是一种可以搜索全局最小值而不是局部最小值的方法，尽管永远不能保证找到全局最小值。在许多方面，遗传算法类似于最小值搜索的蒙特卡罗方法，尽管有些人认为它们更有效。顾名思义，这种方法背后的概念是在程序中进行“自然选择”程序，就像在自然界中一样。 最初，有一个随机选择的配置的偶数样本。这是一个试验集，它可以根据下面描述的一些原则进行发展。在此之前，需要考虑如何表示每个配置的数据。为此，通过将最大和最小可能值（例如，分数坐标为1和0）之间的范围划分为一系列区间，将每个数字编码为二进制字符串，其中这些区间的数量是2的整数幂。鉴于这种数据表示，系统现在按照以下步骤发展： 1.延续随机选择配置对，并比较测量两者相对质量的参数（这是用于遗传优化的能量或用于遗传拟合的平方和）。最佳配置将进入下一次迭代，除了较弱的配置赢得锦标赛的概率很小（可以调整）。只要有配置，这个过程就会重复多次，以便总数保持不变。 2.交叉选择分割两个二进制字符串的随机点，然后交换这两个段。 3.突变一个随机的二进制数字被切换来模拟遗传突变。这可以帮助搜索替代的局部最小值。 遗传算法运行的默认输出是给定数量的最终配置，其中选择具有最佳适应度标准的配置。然而，除非运行顺利地进行到单个最小值的区域，否则查看整个运行中的最佳配置示例可能会更有趣。 遗传算法只能将最小值定位在二进制表示中使用的离散化所允许的分辨率内。此外，它们在最小值区域内收敛的速度非常慢。 因此，应该使用遗传算法来粗略地定位与全局表面上的最小值相关的区域，之后，传统的Newton-Raphson方法将在每种情况下更有效地精确定位最小值。 |
