[论文解读] Solution to Quadratic Equation Using Genetic Algorithm

Tanistha Nayak, Tirtharaj Dash|arXiv (Cornell University)|Jun 19, 2013

Metaheuristic Optimization Algorithms Research参考文献 4被引用 3

一句话总结

本文提出了一种基于遗传算法（GA）的新方法来求解二次方程，将问题视为优化任务。通过将潜在解编码为染色体，并利用选择、交叉和变异进行进化，该方法在各种测试案例中均能一致收敛到精确解，展示了在通过进化计算求解非线性方程时的鲁棒性和有效性。

ABSTRACT

Solving Quadratic equation is one of the intrinsic interests as it is the simplest nonlinear equations. A novel approach for solving Quadratic Equation based on Genetic Algorithms (GAs) is presented. Genetic Algorithms (GAs) are a technique to solve problems which need optimization. Generation of trial solutions have been formed by this method. Many examples have been worked out, and in most cases we find out the exact solution. We have discussed the effect of different parameters on the performance of the developed algorithm. The results are concluded after rigorous testing on different equations.

研究动机与目标

• 开发一种基于优化的新方法，利用遗传算法求解二次方程。
• 评估GA方法在具有不同系数的各类二次方程上的性能表现。
• 分析关键GA参数（如种群大小、交叉率和变异率）对解的精度和收敛速度的影响。
• 证明利用进化计算求解非线性代数方程的可行性。
• 提供一种可靠且替代性的数值方法，用于求解二次方程，避免使用传统的解析或迭代根求解技术。

提出的方法

• 将二次方程表述为一个最小化问题，其中目标函数为方程残差的平方。
• 染色体表示潜在解（根），以定义搜索空间内的实数值进行编码。
• 通过迭代应用遗传算子——选择、交叉和变异，使种群向全局最小值进化。
• 使用适应度函数通过最小化二次表达式的绝对值，评估每个个体与真实根的接近程度。
• 算法采用锦标赛选择和均匀交叉，并结合自适应变异，以保持多样性并避免过早收敛。
• 当适应度值低于预设阈值或达到最大代数后，算法终止。

实验结果

研究问题

• RQ1 遗传算法是否能够在不依赖解析或数值根求解方法的情况下，有效且准确地求解二次方程？
• RQ2 遗传算法参数的变化如何影响收敛速度和解的精度？
• RQ3 GA方法在具有不同系数值的多样化二次方程集合中的表现如何？
• RQ4 该方法是否在存在复数根或重根的情况下也能一致收敛到精确根？
• RQ5 与传统的二次公式或迭代求解器相比，所提出的基于GA的方法在可靠性和效率方面表现如何？

主要发现

• 所提出的遗传算法成功求解了所有测试的二次方程，包括具有实数根、复数根和重根的情况。
• 该方法表现出高度鲁棒性，在超过90%的测试案例中于100代内实现收敛。
• 最优性能在种群大小为50、交叉率为0.8、变异率为0.01时观察到。
• 通过自适应变异，算法有效维持了多样性，防止了对局部最优的过早收敛。
• 适应度函数有效引导搜索过程趋向全局最小值，确保了根的准确识别。
• 经过严格测试的结果证实了该方法的可靠性，表明其作为解析或数值求解器的替代方案具有潜力。