运用遗传算法对大学生体能教学训练要素进行优化设计

2010-11-02金萍，龙驹²

运动 2010年10期

关键词：遗传算法要素算法

金萍，龙驹²

（1.西华大学体育学院，四川成都 610039；2.西华大学电气信息学院，四川成都 610039）

运用遗传算法对大学生体能教学训练要素进行优化设计

金萍1，龙驹2²

（1.西华大学体育学院，四川成都 610039；2.西华大学电气信息学院，四川成都 610039）

本文将排序自适应遗传算法与单纯形法相结合，设计了一种改进的、具有全局优化能力的混合遗传算法，用该算法对大学生体能强弱（以心脏功能和肺功能作为主要考察依据）的教学训练要素进行了优化设计，并在西华大学学生中进行了实验研究。实验结果表明，采用该法进行体能教学训练比传统方法具有更好的训练效果，对提高大学生的体质健康具有创新意义。

遗传算法；单纯形法；大学生；体能；训练要素

1 前言

当前在大学生体能（以心脏功能和肺功能作为主要考察依据）教学训练中，大都采用传统的教学训练方法，传统方法虽能满足基本的教学训练要求，但在实践中还缺乏一种优化的教学训练模式，以进一步提高大学生的体能教学训练效果。据此，我们采用了混合遗传算法对大学生的体能教学训练要素进行了优化设计，从而较快提高大学生体能教学训练效果。

2 研究对象与方法

2.1 研究对象

运用遗传算法对大学生体能教学训练要素进行优化设计。其中选取西华大学2008级学生50人（男25人，女25人），年龄18～21岁，其中男生平均身高173.1厘米，体重60.6千克；女生平均身高159.9厘米，体重52.1千克。

2.2 研究方法

分别使用TJY-1高精度数显电子台阶试验测定仪和RCS-10000高精度数显电子肺活量计对两种模式教学训练后学生的心肺功能进行了对比测试，获取了相应的心肺功能数据。

3 应用遗传算法设计体能教学训练模式

大学生体能强弱（以心脏功能和肺功能作为主要考察依据）的教学训练效果主要由运动量和运动强度两个要素决定。本文针对这两个要素用遗传算法进行了优化设计，其具体的设计思路如下。

3.1 遗传算法的算法设计

3.1.2 重要参数的选择遗传算法要考虑的重要参数主要有：种群规模N（本设计中取N=100）、交叉概率和变异概率按照公式（2）进行设计。

3.1.3 适应度函数的设计为了获得满意的动态特性，在引入惩罚功能的前提下，本文将目标函数取为

3.1.4 选择运算设计本文采用按照个体适应度大小排序的选择方法设计相应的选择算子。

图1 自适应交叉概率和变异概率示意图

3.1.6 单纯形局部搜索算法的设计由于本文所设计的遗传算法是遗传算法与单纯形法有机结合的一种混合算法,局部搜索能力很强的单纯形法的加入执行过程如图2中的流程图所示。在加入单纯形法的过程中主要考虑以下两个方面的问题：（1）单纯形搜索算法所需时间的分配问题：如果简单地将遗传算法和单纯形法相结合，则整个算法的大部分运算时间将被单纯形搜索算法所占据，而仅有很少的时间用于遗传运算，这样就不易体现出遗传算法全局搜索能力强的优点；另外，单纯形法搜索并不需要精确求解。因此，本文从两个方面对单纯形法搜索的时间加以限定，一是单纯形法搜索迭代的次数 N ，在本文中经过多次实验，限定对参与局部搜索的个体数加以限制），本文中经过多次实验，单纯形法参数的设置：反射系数,扩张

3.1.7 判断算法终止条件是否满足用改进方法产生的初始种群通过混合遗传运算后得到了新一代种群，将该代种群再次代入适应度函数进行检测评估运算，观察是否满足算法终止条件，若满足，则输出最优解，寻优结束；若不满足，则返回重复以上操作直到满足为止。