遗传算法综述
遗传算法综述
遗传算法综述王宏杰魏先峰薛周建彭丹(贵州大学电子科学与信息技术学院，贵州贵阳550025)摘要：近年来遗传算法越来越广泛地受到世界各国学者的关注，本文简述了遗传算法的发展、特点及其应用。
关键词：遗传；搜索；遗传算法1引言遗传算法(G enet i c A l gori t hm，缩写为G A)，是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。
它是由美国的J．H ol l and 教授1975年首先提出来的，近年来，由于遗传算法求解复杂优化问题的巨大潜力和工程等领域的成功应用，受到了国内外学者的广发关注。
2遗传算法的发展早在上个世纪40年代，就有学者开始研究如何利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。
进入60年代后，美国密执安大学的H oll and教授及其学生们受到这种模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合于复杂系统优化计算的自适应概率优化技术…遗传算法。
进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。
尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。
此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑都给遗传算法增添了新的活力。
遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
3遗传算法的特点G A是一种利用自然选择和进化思想在高维空间中寻优的方法，它不一定能寻得最优点，但是它可以找到更优点。
因此G A 可能会暂时停留在某些非最优点上，直到变异发生使它跃居到另一个更优点上。
G A寻优过程的一个重要特点是它始终保持整个种群的进化，这样即使某个体在某时刻丧失了有用的特征，这种特征也会被其他个体所保留并延续发展下去。
遗传算法综述
3D S可以方便灵活地实现对动画帧中的节点、平面、边界、颜色和轨迹的控制,同时对于物体变形测试,轴心点设置以及段信息的获取和设置也能方便准确地进行。
而keyscri p t语言的优点体现在于其精确的数值计算,它可以对大量的复杂无序的动作进行随机计算,节省了制作时间。
利用keyscri p t编辑器还能方便地进行语法检查并能直接执行无语法错误的keyscri p t程序。
3 内存管理方式3D S使用了独特的Pharlap的虚拟内存管理技术(VMM 386),该技术使3D—Studi o能使用比物理内存RAM更大的空间。
这种内存管理方式与W indow2 s T M的内存管理方式不同,因此一般不在W indow s T M中使用3D S,若要在W indow s T M中使用,则必须在W in2 dow s T M的system1in i中的[386Enh]段加入device= Pharlap1386,使W indow s T M可以使用Pharlap的内存管理方式。
这种内存管理方式也有一些不足,如内存一旦被3D S使用将不被释放。
4 硬件环境使用3D—Studi o410的最低配制要求是386(带协处理器)的主机,至少8兆的内存,20兆以上的硬盘空间,DO S313以上的操作系统。
由于3D S中的许多图形渲染时都必须使用256色,且观看3D S自带的一些图片也必须在256色的模式下进行,所以需要SV GA或TV GA的显示器。
输入系统除了键盘外还必须配有鼠标,也可选配数字化仪。
由于3D S在进行图形渲染需要大容量的内存,同时还需要CPU进行大量的浮点运算,因此当CPU为Pen tium T M、内存为16兆以上,并使用高性能的显示卡时,3D S的动画制作功能才能得到完美体现。
由于ln tel公司生产的CPU兼容的Cyrix、AM D等公司生产的CPU浮点运算能力较差,因此CPU首选还是ln tel公司的产品。
遗传算法综述
遗传算法综述摘要遗传算法（Genetic Algorithm，GA）是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法，其主要特点是群体搜索策略和群体中个体之间的信息交换，搜索不依赖于梯度信息。
它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题，可广泛用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。
本文从遗传算法的起源谈起，论述了遗传算法的基本思想和基本原理，并对其性能和收敛性进行了分析，最后还介绍了几种改进的遗传算法及其在求解旅行商问题（TSP）方面的应用。
Genetic algorithm ( Genetic, Algorithm, GA ) is a kind of biological natural selection and genetic mechanism of the random search algorithm, its main characteristic is the group searching strategy and individual in the colony between the exchange of information, search does not rely on gradient information. It is especially suitable for the processing of traditional search method to solve the complex and nonlinear problems, can be widely used in combinatorial optimization, machine learning, adaptive control, planning design and artificial life etc.. This article from the origin of the genetic algorithm, the genetic algorithm basic thought and basic principle, and its performance and convergence are analyzed, finally introduces several improved genetic algorithm for solving the traveling salesman problem ( TSP ) with respect to the application.关键词：遗传算法；搜索算法；TSP；遗传算法收敛性Key words: genetic algorithm; search algorithm; TSP; genetic algorithm convergence1 引言在自然界中，生物要生存下去，就必须进行生存斗争。
遗传算法的综述
１ 遗传算法 的基本原理
在自 然界 中 ．由于 同一个生物群体 中各个体之间也存在差异 ． 且 对所处环境有 的适应和生存能力也参差不齐 ． 遵照进化论所提 出的 自 然 界生物进化 的基本原则 ： 适者生存 、 优胜劣汰 ． 自然界将淘汰那些适 应能力较差 的个体 但是通过交配继承了父本优 秀的染 色体和遗传基 图１ 遗传算法 的运行过程示意图 因的 ． 或者通过 染色体核基 因的重新组合产生的生物的生命力往往会 更 强， 适 应能力 也更强 。在 自然界 中， 基 因会发生突变 ， 染 色体核基 因 ２ 遗传算法 的特点 的重组是无法控制 的， 但这种无法控制的 ． 小概率的变异 ， 也可能产生 新基 因和生命力更 强的新个体 。在此基础上 。 遗传算法真实 的模拟 自 遗传算法继 承了进化计算 的特征之外 ， 也有其 自 身 的特点 ： 然界生物进化机制进行对 问题 的最优化搜索 。 遗传算法是建立在 自 然 （ １ ） 遗传 算法不是直接 作用在参数变量集 上 ， 而是在求解 问题 的 选择 和种群遗传学基础上 的随机迭代和进化 ． 具有广泛适用性 的搜索 决定因素和控制参数 的编码（ 即染色体 的 ０ 、 １ 编码） 上进行操作 ， 从中 方法 ． 同时具有很强 的全局优化搜索能力。 对于某个 给定 的优化 问题 ， 找到适应值较高 的子 串。而且遗传算法不受 约束条件 的限制 。 目标 函数 为： （ ２ １ 遗传算 法并不是从 单个 点出发执行算法 ． 而是从一个点 的群 日＿ 厂 （ ｘ， Ｙ， ｚ ……） （ Ｘ， Ｙ， Ｚ ……） ∈ｎ Ｈ ∈Ｒ 体开始 ． 这样就可 以提高算 法的效率和程序 的运行速率 ． 也大 大减少 要求 （ Ｘ ｏ ， Ｙ 。 ， Ｚ 。 ） 使得 为极 大值和极小 值 ， 以适 应优化 的需要 。 了陷入局部最优解 的可能性 此外 ， ｎ是 （ ｘ ， Ｙ ， ｚ ……） 的定义域 ， 为实数 ， ， 为解空 间（ Ｘ ， Ｙ ， Ｚ ……） （ ３ ） 遗 传算法利用 了适 应值的信息 ． 适应值 是根据不 同问题 设计 ｅ Ｑ 到实数 域 Ｈ∈ Ｒ的一种映射 。 遗传算法要根据 目标 函数 日设定一 所 得， 针对 的是这个 问题 。 从而减少了其他辅 助信息 的导入 ， 即只需要 个适应性 函数 ｒ ’ 用 以判断某个样本的优劣程度 。 遗传算法 的基本 步骤 对象函数 和编码 串。因此 ， 遗传算法几乎可以处理任何 问题 。 如下 ： （ ４ ） 遗传算法利用概率转移规则 ， 而不是确定性 的规定 。 遗传算法 （ １ ） 编码 ： 定义 问题 的解空间到染色体编码空间的映射 ， 一般是用 采用 的概率仅仅是作为一种 工具来引导其搜索 过程朝着搜索空 间的 二进制将解 空间编码成 由 ０ 和 １ 组成的有限长度字符 串。 一般一个候 更优化 的解 区域移动 选解 （ 个 体） 用一 串符号表示 。 （ ５ ） 遗传 算法在搜索 过程中不容易 陷入局 部最优 ， 即使在所 定义 （ ２ ） 初始化种群 ： 在一定的 限制条件下初始化种群 ， 该种群 的解空 的适应 度函数是 不连续 的非规则的或有噪声的情 况下 ． 也能以很 大的 间的一个子空间 算法将从 初始化种 群开始模拟优胜 劣汰的选择过 概率找到全局最优解 程． 最后选择 出优 秀的群体和个体 。 （ ６ ） 遗 传算法采用 自 然 进化机制来表现 现实复杂 的现象 ， 能够快 （ ３ ） 设计适应度 函数 ： 将种群 中的每一个染色 体解 码成适 于计算 速可靠地解决非 常困难 的问题 机适应度 函数 的形式 ． 并计算其数值 。设计适应度 函数 的主要方 法是 （ ７ ） 遗传算法具有 固有 的并行性 ． 具有并行计算 的能力 。 将 问题 的 目 标 函数转换成合适 的适应度 函数 。 （ ８ ） 遗 传算法具有可扩展性 ． 易于同别的技术混合 、 结合使用 。 （ ４ ） 选择 ： 根据适应 度大小选 择优 秀个体繁 殖下 一代 ， 适 应度 越 高， 则被 选中的概率也越大 。 选择是遗传算法的关键 ， 它体现了 自然界 ３ 遗传 算法的应 用 中适者生存的思 想 遗传算法是 多学科结合与渗透 的产 物 ．已经发展成 为一种 自组 （ ５ ） 交叉 ： 随机选择两个用 于繁殖下一代 的个体 的相 同位置 ， 在选 织 、 自适应 的综合技术 其提供 了一种解决复杂系统优化问题的通用 中的位置进行交换 框架 ， 但不 是没用 固定 的方法 ． 它不依赖于问题的具体领域 。 所以广泛 （ ６ ） 变异 ： 对某个 串中的某一位进行取反操作。 变异模 拟了 自然界 应用于很 多学科 中偶然基 因突变现象 ３ ． １ 函数优化 从步骤 四开 始重复进行 ． 知道满足某一性能指标或者规定 的遗传 函数优化是 遗传算法 的一个经典应用领域 ． 也是对遗传算法进行 代数 。 性能评 价的常用算例 很多学者构造出了各种各样 的复杂形式的测试 步骤 １ 、 ２和 ３ 是实际应用 中关键 ， 步骤 ４ 、 ５ 和６ 进行 三种基 本基 函数 ， 有连续函数也有离散 函数 ． 有凸函数也有凹函数 。 有确定函数也 因操作 。对新生成一代群体进行重复评价 、 选择 、 交叉和变异 ， 如此循 有随机 函数， 有单峰值 函数也有多峰值函数等 用这些几 何性 质各具 环往 复 ．使得群体 中最优个 体的适应度 和群体的平均适 应度不断提 特 色的函数来评价遗传算法的性能 ， 更能反映算法 的本 质效果 而对 高． 直 到最优个体 的适应度达 到某个界限或者最优个体 的适应度 和平 于一些非线性 、 多模型 、 多 目标的函数优化问题 ， 用其他优 化方 法较难 均适应度不能再提高 求解 ． 而遗传算法却可以方便地得到较好 的结果 ３ ． ２ 组合优化 （ 下转第 ３ ６页 ）
遗传算法综述word版
遗传算法综述太原理工大学刘晶学号：s2*******摘要：遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了达尔文的进化论和孟德尔的遗传学说。
其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获得和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优的方案。
遗传算法作为一种实用、高效、鲁棒性强的优化技术，有着广泛的应用前景。
关键词：遗传算法数学模型优点流程一，概述。
遗传算法（Genetic Algorithm，简称GA）起源于对生物系统所进行的计算机模拟研究。
美国Michigan 大学的Holland 教授及其学生受到生物模拟技术的启发，创造了一种基于生物遗传和进化机制的适应于复杂系统优化的自适应概率优化技术———遗传算法。
二，基本遗传算法的数学模型。
基本遗传算法可表示为：SGA=（C，E，P0，M，Φ，Γ，Ψ，T）式中，C为个体的编码方法；E 为个体适应度评价函数；P0 为初始种群；M为种群大小；Φ为选择算子；Γ为交叉算子；Ψ为变异算子；T为遗传运算终止条件。
三，遗传算法的优点。
3.1 对可行解的广泛性表示。
遗传算法的处理对象不是参数本身，而是针对那些通过参数集进行编码得到的基因个体。
次编码操作使得遗传算法可以直接对结构对象进行操作。
（1）通过对连接矩阵的操作，遗传算法可用来对神经网络或自动机的结构或参数加以优化。
（2）通过对集合的操作，遗传算法可实现对规则集合和知识库的精炼而达到高质量的机器学习目的。
（3）通过对树结构的操作，用遗传算法可得到用于分类的最佳决策树。
（4）通过对任务序列的操作，遗传算法可用于任务规划，而通过对操作序列的处理，可自动构造的顺序控制系统。
3.2 群体搜索特性。
许多传统的搜索方法都是单点搜索，这种点对点的搜索方法，对于多峰分布的搜索空间常常会陷于局部的某个单峰的极值点，相反，遗传算法采用的是同时处理群体中多个个体的方法。
3.3 不需要辅助信息。
遗传算法研究综述
遗传算法(Genetic Algorithm ,GA )是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机搜索算法.它是由美国M ichig an 大学的J.Ho lland 教授1975年首先提出,利用基因变异、杂交,繁殖等手段,根据达尔文的适者生存,优胜劣汰的理论选择最优点进行变异和杂交,从而繁殖产生新的后代,这些都是建立在概率的基础之上.它尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题.如著名的TSP (巡回旅行商问题)、背包问题、排课问题等.1遗传算法的特点[1-3]遗传算法作为一种新型的、模拟生物进化过程的随机化搜索方法,在各类结构对象的优化过程中显示出比传统优化方法更为独特的优势和良好的性能:1)搜索过程不直接作用在变量上,而是作用于参数集进行了编码的个体上.此编码操作,使得遗传算法可直接对结构对象进行操作.2)搜索过程是从一组解迭代到另一组解,采用同时处理群体中多个个体的方法,降低了陷入局部最优解的可能性,并易于并行化.3)采用概率的变迁规则来指导搜索方向,不采用确定性搜索规则.4)对搜索空间没有任何特殊要求,只利用适应度信息,不需要其它辅助信息,适应范围更广.5)对给定问题,可以产生许多的潜在解,最终选择可以由使用者确定.2遗传算法的基本术语[1-3]遗传算法效法于自然选择的生物变化,是一种模仿生物进化过程的随机方法,因此下面几个关于生物学的基本概念与术语对理解遗传算法是非常重要的.1)染色体(chro moso me )是生物细胞中含有的一种微小的丝状化合物.它是遗传物质的主要载体,由多个遗传因子———基因组成.2)遗传因子(g ene )DNA 或RNA 长链结构中占有一定位置的基本遗传单位,也称为基因.3)个体(individual )指染色体带有特征的实体,在问题简化的情况下可代表染色体.4)种群(po pulation )染色体带有特征的个体的集合称为种群,该集合内个体数称为群体的大小.有时个体的集合也称为个体群.5)进化(evolutio n )生物在其延续生存的过程中,逐渐适应其生存环境,使得其品质不断得到改良,这种生命现象称为进化.生物的进化是以种群的形式进行的.6)适应度(fitness )在研究自然界中生物的遗传和进化现象时,生物学家使用适应度这个术语收稿日期8作者简介马永(5),男,山西大同人,在读硕士,助教,研究方向计算机应用遗传算法研究综述马永,贾俊芳(山西大同大学数学与计算机科学学院,山西大同037009)摘要:遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度有效的随机搜索算法.近年来,由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用,这种算法受到了国内外学者的广泛关注.本文介绍了遗传算法的主要特点、基本原理及其设计步骤,并指出了相关的研究方向.关键词:遗传算法适应度遗传算子收敛中图分类号:TP301文献标识码:A文章编号:1674-0874(2007)03-0011-03第23卷第3期山西大同大学学报(自然科学版)Vol.23.No.32007年12月Jo urnal of Shanx i Daton g Univ ersity(Natural Science)Dec.2007:2007-09-1:197-:.来度量某个物种对于生存环境的适应程度.对生存环境适应度高的物种将获得更多的繁殖机会,而对生存环境适应程度较低的物种,其繁殖的机会就相对较少,甚至逐渐灭绝.3遗传算法的基本原理[2]在遗传算法的执行过程中,每一代有许多不同的种群个体(染色体)同时存在.这些染色体中哪个保留、哪个淘汰,是根据它们对环境的适应能力来决定的,适应度强的有更多的机会保留下来.适应度强弱是通过计算适应度函数的值来判别的,这个值称为适应值.适应度函数的构成与目标函数有密切关系,往往是目标函数的变种.主要的遗传算子有以下几种:1)选择(Selectio n)算子又称复制(repro duction)、繁殖算子.选择是从种群中选择生命力强的染色体,产生新种群的过程.选择的依据是每个染色体的适应度大小,适应度越大,被选中的概率就越大,其子孙在下一代产生的个数就越多.选择操作的主要目的是为了避免基因缺失、提高全局收敛性和计算效率.选择的方法根据不同的问题,采用不同的方案.最常见的方法有随机遍历抽样、局部选择和截断选择等.2)交叉(Crossov er)算子又称重组(recombination)、配对(breeding)算子.当许多染色体相同或后代的染色体与上一代没有多大差别时,可通过染色体重组来产生新一代染色体.染色体重组分两个步骤进行:首先,在新复制的群体中随机选取两个染色体,每个染色体由多个位(基因)组成;然后,沿着这两个染色体的基因随机取一个位置,二者互换从该位置起的末尾部分基因.例如:设有两个用二进制编码的个体A和B,长度L=5,A=a1a2a3a4a5,B=b1b2b3b4b5.随机选择一个整数k∈[1,L-1],设k=4,则经交叉后变为: A=a1a2a3|a4a5A′=a1a2a3b4b5B=b1b2b3|b4b5B′=b1b2b3a4a5遗传算法的有效性主要来自选择和交叉操作,尤其是交叉,在遗传算法中起着核心作用,它决定了遗传算法的全局搜索能力.3)变异(M utatio n)算子.选择和交叉算子基本上完成了遗传算法的大部分搜索功能,而变异则增加了遗传算法找到接近最优解的能力,即决定了遗传算法的局部搜索能力.变异就是以很小的概率,随机改变字符串某个位置上的值在二进制编码中,就是将变成,将变成它本身是一种随机搜索,但与选择、交叉算子结合在一起,就能避免由复制和交叉算子引起的某些信息的永久性丢失,从而保证了遗传算法的有效性.4遗传算法的基本步骤[1-5]4.1遗传算法设计1)编码:遗传算法在进行搜索之前先将解空间的解数据表示成遗传空间的基因型串结构数据,这些串结构数据的不同组合便构成了不同的点.2)初始群体的生成:随机产生N个初始串结构数据,每个串结构数据称为一个个体,N个个体构成了一个群体.遗传算法以这N个串结构数据作为初始点开始迭代.3)适应度评估检测:适应度函数表明个体或解的优劣性.不同的问题,适应性函数的定义方式也不同.4)选择:选择的目的是为了从当前群体中选出优良的个体,使它们有机会作为父代为下一代繁殖子孙.遗传算法进行选择的原则是适应度强的个体为下一代贡献一个或多个后代的概率大.选择实现了达尔文的适者生存原则.5)交叉:交叉操作是遗传算法中最主要的遗传操作.通过交叉操作可以得到新一代个体,新个体组合了其父辈个体的特性.交叉体现了信息交换的思想.6)变异:变异首先在群体中随机选择一个个体,对于选中的个体以一定的概率随机地改变串结构数据中某个串的值.同生物界一样,遗传算法中变异发生的概率很低,通常取值在0.001~0.01之间.变异为新个体的产生提供了机会.遗传算法的计算过程为:选择编码方式→产生初始群体→计算初始群体的适应度值→如果不满足条件{选择→交换→变异→计算新一代群体的适应度值}4.2遗传参数的确定[1,6]在遗传算法的具体实现过程中,优化参数需要事先确定,包括种群数量、交叉概率、变异概率等.参数的选取对遗传算法的性能有重要影响.1)种群数量n.群体规模影响遗传优化的最终结果以及遗传算法的执行效率.当种群数量太小时,遗传算法的优化性能一般不会太好,种群数量较大则可减少遗传算法陷入局部最优解的机率,但也意味着计算复杂度变大,效率变低.一般取n从10到160之间.具体的的种群数量根据具体情况有所不同.)交叉概率交叉概率的选择决定了交叉操作的频率,频率越高,可以越快地收敛到最优解区域,但过高的频率也可能导致收敛于一个解若交2007年山西大同大学学报(自然科学版)12.0110.2P c..参考文献[1]王小平,曹立明.遗传算法———理论、应用与软件实现[M].西安:西安交通大学出版社,2002.[2]周明,孙树栋.遗传算法原理及应用[M].北京:国防工业出版社,2002.[3]Mitchell M.An I ntroduction to genetic algorithms[M].Cambridge :MIT Press,1996.[4]吴志祥.一种求解最短路径路由的遗传优化算法[J].武汉科技大学学报,2007,33(4):408-411.[5]王文义,秦广军,王若雨.基于粒子群算法的遗传算法研究[J].计算机科学,2007,34(8):145-147.[6]雷秀娟,史忠科,王来军,等.遗传算法多目标优化及其在决策支持系统中的应用[J].计算机应用研究,2007,23(7):176-180.[7]李宏,焦永昌,张莉,等.一种求解全局优化问题的新混合遗传算法[J].控制理论与应用,2007,24(3):343-348.[8]L Y W,W Y q z f z []I T y ,,5()53(下转第页)叉概率太低,遗传算法搜索可能陷入迟钝状态.一般取P c 从0.25～1.00之间.3)变异概率P m .变异概率通常只取较小的数值,通常为0.001左右.一般而言,低频度的变异可防止群体中重要的、单一基因的可能丢失;若取较高的变异概率将使遗传算法趋于纯粹的随机搜索,一方面会增加样本模式的多样性,另一方面也可能引起不稳定.作者认为以上最难把握的是如下几点:第一,要确定采用什么编码,即怎样用基因描述问题的一个有效解.编码一旦确定了,一般就确定交叉和变异算法了.第二,设计出适应度函数,这很重要,因为它决定着算法进化的方向,最终影响算法效率,如果设计的好,可能很快就能收敛到较好的解,如果设计不好,很可能不能进化.第三,适应度函数选择显然要和目标函数一致.另外,遗传算法的难点就在于评估函数、变异系数、种群大小、交叉和变异方法等问题与收敛速度的关系难以找到定量的描述.比如,变异系数找得不合理,或以上问题处理不好收敛会很慢甚至不会收敛,可能就得不到解.5遗传算法的研究方向[1,7-9]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,广泛应用在计算机科学、工程技术和社会科学等领域.其研究工作主要集中在以下几个方面:1)基础理论、数学模型.遗传算法的理论基础、数学模型主要集中于对算法的收敛性、复杂性、收敛速度的研究上.在遗传算法中,群体规模和遗传算子的控制参数的选取非常困难,但它们又是必不可少的试验参数.遗传算法还有一个过早收敛的问题,怎样阻止过早收敛也是正在研究的问题之一.2)分布并行遗传算法.遗传算法在操作上的突出特点是具有高度的并行性,许多研究人员都在探索在并行机和分布式系统上高效执行遗传算法的策略.对分布并行遗传算法的研究表明,只要通过保持多个群体和恰当控制群体间的相互作用来模拟并行执行过程,即使不使用并行计算机,也能提高算法的执行效率.3)分类系统.分类系统属于基于遗传算法的机器学习中的一类,包括基于串规则的并行生成子系统、规则评价子系统和遗传算法子系统.分类系统越来越多地应用在科学、工程和经济领域中,是目前遗传算法研究中一个十分活跃的领域.4)遗传神经网络.遗传算法与神经网络相结合,正成功地被用于从时间序列分析来进行财政预算.在这些系统中,信号是模糊的,数据是有噪声的,一般很难正确给出每个执行的定量评价.如果采用遗传算法,就能克服这些困难,显著提高系统性能.5)借鉴自然现象提出新的算法模型.从生物进化或自然界的各种现象中获得新的启发,提出新的方法,或对现有的算法进行改进.如二倍体显性技术、小生境技术等.6结束语遗传算法被认为是21世纪有关智能计算中的关键技术之一.尽管它在实际应用中取得了巨大成功,但其鲜明的生物特征,使得在数学基础方面相对不完善,主要表现为:缺乏广泛而又完整的遗传算法收敛性理论;Holland 的模式定理尚不能清楚解释遗传算法在非二进制形式表示情况下的应用;用遗传算法解决实际问题的时间复杂性.这些不足严重阻碍了遗传算法的应用推广,有待于进一步的研究.马永等:遗传算法研究综述2007年13eung ang P.An orthogonal genetic algorithm with uanti ation or global numerical optimi ation J .EE E rans on Evolutionar Computation 20011:41-.214结论通过对X 和F 参量的分析,我们发现:果蝇全序列和基因间的X 平均值和F 平均值之间有共同的相似性,也就是说,它们的X 平均值和F 平均值之间共变.而且在着丝粒及其周围区域的X 平均值和F 平均值相对于端粒和染色体臂中间位置较低.同时也反映了染色体臂3R 的一些特征,那就是基因间的序列长度占全序列的比例比较小,而常染色体臂和X 染色体的基因间的序列长度和全序列比较,没有染色体臂3R 那么明显,引起这一结果的原因有待于进一步的分析和研究.另外,4号染色体跟其它染色体有着很大的区别,造成这一区别原因可能是4号染色体的形成机制跟其它染色体不一样,这也是我们今后研究和探讨的重点.(上接第13页)Review of Research on Genetic AlgorithmM A Yo ng,JIA Jun-fang(School of Mathematics and Computer Science,Shanxi Datong University,Datong Shanxi,037009)Abstract :Genetic Algorithm is a lighly-effective randomly searching algo rithm,based on the nature evolution.It is used success fully in solving the complex optimization and the industrial engineering problem,recently research on genetic algorithm has attracted a lot of attention.The main characteristics,basic principle and the design step of genetic alg orithm are introduced in this article,and the research direction is pointed out.Key Words:genetic algorithm;fitness;genetic operators;conv ergence山西大同大学学报(自然科学版)2007年!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!参考文献[1]解廷月.果蝇基因组中两类序列的信息参数沿染色体的分布[J].雁北师范学院学报,2006,22(5):46-50.[2]Luo L F,Tsai L,Zhou Y M.Inf ormational parameters of nucleic acid and molecular evolution[J].J Theor Biol,1988,130:351-361.[3]Gatlin L.Inf ormation Theor y and Living System[M].Columbia University Press,1972.[4]Bir dsell J A.Integrating genomics,bioinf ormatics and classical genetics to study the ef fects of recombination on geno me evolution[J].Mol Biol Evol,2002,19:1187-1197.Distr ibution of the Two Information Par ameter s of Dr osophila DNA and IntergenicSequence Along The ChromosomesXIE Ting-yue(School of Physics and Electronics Science,Shanxi Datong University,Datong Shanxi ，037009)Abstract :In this paper Drosophila DNA and intergenic sequence as research subjects.The distvibutim charactristics of a sequence of tw o information parameters X and F along the chromoso me sequences sre discribed and the focus is on the analysis of the distribution rule in pericentromeric region.We also use linear and polynomial fit to analyze their distribution trends and differences among chromosomes and among different kinds of sequences (student t test).Various parameters of the average value in different regions of the distribution are analyzed.Key Words:D.melanogaster chromosomes ；info rmation parameters ；sequence array along the chromosome21。
遗传算法优化问题研究综述
遗传算法优化问题研究综述遗传算法是一种基于进化论和遗传学原理的优化算法，被广泛应用于求解复杂问题。
遗传算法具有通用性、自适应性、并行性等优点，因此被应用于各个领域。
本文将综述遗传算法在优化问题中的研究进展和应用情况。
一、遗传算法的基本原理遗传算法是一种群体智能算法，其基本原理来自于进化论和遗传学原理。
整个算法过程可以分为个体编码、适应度评估、选择、交叉和变异五个环节。
个体编码将问题转化为适应度评估可以处理的数值表示形式；适应度评估是对各代种群中每一个个体的适应度进行评估的过程，适应度越好，则个体越可能被选择进行操作；选择是根据个体适应度大小对个体进行筛选，保留好个体进行进化操作；交叉是在选择个体之间进行部分信息交换，产生新的后代；变异是对新后代进行一些可控的随机操作，使其具备某些新性质。
通过这些进化操作，种群可以逐渐进化出适应度更高的个体。
二、遗传算法的改进算法进化策略算法是遗传算法的一种改进算法，其特点在于选择和变异操作。
进化策略算法不对个体进行选择操作，而是将个体分为若干互不干扰的子群。
在每个子群中，个体根据策略进行迭代式改变，直到达到一定停止标准。
与此不同的是，遗传算法的选择和变异操作是在整个种群中进行的。
差分进化算法是遗传算法的另一种改进算法，其特点在于采用差分变异操作。
在差分进化算法中，交叉操作是基于差分变异操作的。
通过选择两个个体以及进行差分，得到新的候选解向量。
由于差分运算减少了变异产生的随机性，提高了算法的收敛速度和效率。
三、遗传算法在优化问题中的应用1.组合优化问题组合优化问题是指通过组合若干元素来构造一个最优解的问题。
遗传算法结合带约束的排序方法可以高效地求解组合优化问题。
具体实现中，可以对候选解按照适应度进行排序，并将排序结果与已知的约束进行比对，从而有效地求出最优解。
2.数值优化问题数值优化问题是指寻找函数或者变量最小或者最大值的问题。
遗传算法可以有效地求解数值优化问题，且相比传统的优化方法有着更快的求解速度和更高的求解精度。
(完整版)遗传算法简介及代码详解
遗传算法简述及代码详解声明：本文内容整理自网络，认为原作者同意转载，如有冒犯请联系我。
遗传算法基本内容遗传算法为群体优化算法，也就是从多个初始解开始进行优化，每个解称为一个染色体，各染色体之间通过竞争、合作、单独变异，不断进化。
遗传学与遗传算法中的基础术语比较染色体：又可以叫做基因型个体(individuals)群体/种群(population)：一定数量的个体组成，及一定数量的染色体组成，群体中个体的数量叫做群体大小。
初始群体：若干染色体的集合，即解的规模，如30，50等，认为是随机选取的数据集合。
适应度(fitness)：各个个体对环境的适应程度优化时先要将实际问题转换到遗传空间，就是把实际问题的解用染色体表示，称为编码，反过程为解码/译码，因为优化后要进行评价（此时得到的解是否较之前解优越），所以要返回问题空间，故要进行解码。
SGA采用二进制编码，染色体就是二进制位串，每一位可称为一个基因；如果直接生成二进制初始种群，则不必有编码过程，但要求解码时将染色体解码到问题可行域内。
遗传算法的准备工作:1) 数据转换操作，包括表现型到基因型的转换和基因型到表现型的转换。
前者是把求解空间中的参数转化成遗传空间中的染色体或者个体(encoding)，后者是它的逆操作(decoding)2) 确定适应度计算函数，可以将个体值经过该函数转换为该个体的适应度，该适应度的高低要能充分反映该个体对于解得优秀程度。
非常重要的过程。
遗传算法基本过程为:1) 编码，创建初始群体2) 群体中个体适应度计算3) 评估适应度4) 根据适应度选择个体5) 被选择个体进行交叉繁殖6) 在繁殖的过程中引入变异机制7) 繁殖出新的群体，回到第二步实例一：（建议先看实例二）求 []30,0∈x 范围内的()210-=x y 的最小值1) 编码算法选择为"将x 转化为2进制的串"，串的长度为5位（串的长度根据解的精度设 定，串长度越长解得精度越高）。
遗传算法研究综述
１ 遗传 算法的基本原 理
遗传算法类 似于 自 然进化 ， 通过作用于染色体上基因寻找最好的 染 色体来求解 问题 。与 自然界相似 ， 遗传算法对求解 问题的本身一无 所 知 ，它所 需要的仅 是对遗传算 法所产生 的染色体有 更多 的繁殖 机 会 。在遗传算 法 中，通过随机方 式产生若 干个所求解 问题 的数 字编 码 ，即染色体 ，形成初始种群 ；通过适应度 函数给每个个体一个数值 评价 ，淘 汰低适应度的个体 ，选择高适应度 的个体参加遗传操作 ，经
行构造。
并行处理的遗传算法的研究不仅是遗传算法本身的发展 ，而且对 于新一代智能计算机体系结构的研究都是十分重要的。Ｇ Ａ在操作上具 有高度 的并行性 ，许多研究人员都在探索在并行机上高效执行Ｇ Ａ的策 略。研 究表 明，只要通过保持多个群体 和恰 当地控制群体间的相互作 用来模 拟并执行过程 ，即使不使用并行计算机 ，我们也能提高算法的 执行效率 。在并Ｇ Ａ的研究方面 ，一些并Ｇ Ａ模型 已经被人们在具体的 并行机上执行 了；并行Ｇ Ａ可分为两类 ：一类是粗粒度并行Ｇ Ａ，主要
开发群体间 的并行性 ； 另一类是细粒Ｇ Ａ，主要开发一Байду номын сангаас群体 中的并行 性。
３ ． ４遗传算法与人工生命的渗透
（ ３ ） 遗传算法 自身参数设定 。遗传算法 自 身参数有３ 个 ，即群体 大小ｎ 、交叉概率Ｐ ｃ和变异概率Ｐ ｍ 。群体 大小ｎ太小时难以求出最优 解 ， 太大则增长收敛时间 。一般ｎ ＝ ３ ０ — １ ６ ０ 。交叉概率Ｐ ｃ 太小时难以 向前搜索 ，太大则容易破坏高适应值的结构 。一般取Ｐ ｃ － ０ ． ２ ５ － ０ ． ７ ５ 。变 异概率Ｐ ｍ ￣４ ， 时难以产生新的基因结构 ，太大使遗传算法成 了单纯的
遗传算法简述
解 (1) 设定种群规模,编码染色体，产生初始
种群。
将种群规模设定为4；用5位二进制数编码 染色体；取下列个体组成初始种群S1:
s1= 13 (01101), s2= 24 (11000) s3= 8 (01000), s4= 19 (10011) (2) 定义适应度函数, 取适应度函数：f (x)=x2
染色体 适应度 选择概率 积累概率 选中次数
s1=01101 169
0.14
0.14
1
s2=11000 576
0.49
0.63
2
s3=01000
64
0.06
0.69
0
s4=10011 361
0.31
1.00
1
于是，经复制得群体：
s1’ =11000（24）, s2’ =01101（13） s3’ =11000（24）, s4’ =10011（19）
例如： 个体
染色体
9 ---- 1001 （2，5，6）---- 010 101 110
4. 遗传操作
亦称遗传算子(genetic operator)，就是关 于染色体的运算。遗传算法中有三种遗传操作:
● 选择-复制(selection-reproduction) ● 交叉(crossover，亦称交换、交配或杂交) ● 变异(mutation，亦称突变)
1.2 基本遗传算法
遗传算法基本流程框图
生成初始种群 计算适应度
终止 ? 选择-复制
交叉 变异 生成新一代种群
结束
算法中的一些控制参数：
■ 种群规模 ■ 最大换代数 ■ 交叉率(crossover rate)就是参加交叉运算的 染色体个数占全体染色体总数的比例，记为Pc, 取值范围一般为0.4～0.99。 ■ 变异率(mutation rate)是指发生变异的基因位 数所占全体染色体的基因总位数的比例，记为 Pm，取值范围一般为0.0001～0.1。
遗传算法概述
遗传算法概述摘要：遗传算法（genetic algorithms, GA）是人工智能的重要新分支，是基于达尔文进化论，在微型计算机上，模拟生命进化机制而发展起来的一门学科。
它根据适者生存、优胜劣汰等自然进化规则来进行搜索计算机和问题求解。
对许多用传统数学难以解决或明显失效的非常复杂的问题，特别是最优化问题，GA提供了一个行之有效的新途径。
近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业控制工程领域的成功应用，这种算法受到了广泛的关注。
本文旨在阐述遗传算法的基本原理、操作步骤和应用中的一些基本问题，以及为了改善SGA的鲁棒性而逐步发展形成的高级遗传算法（refine genetic algorithms, RGA）的实现方法。
一、遗传算法的基本原理和特点遗传算法将生物进化原理引入待优化参数形成的编码串群体中，按着一定的适值函数及一系列遗传操作对各个体进行筛选，从而使适值高的个体被保留下来，组成新的群体，新群体包含上一代的大量信息，并且引入了新一代的优于上一代的个体。
这样周而复始，群体中各个体适值不断提高，直至满足一定的极限条件。
此时，群体中适值最高的个体即为待优化参数的最优解。
正是由于遗传算法独具特色的工作原理，使它能够在复杂的空间进行全局优化搜索，并且具有较强的鲁棒性；另外，遗传算法对于搜索空间，基本上不需要什么限制性的假设（如连续性、可微及单峰等）。
同常规优化算法相比，遗传算法有以下特点。
（1）遗传算法是对参数编码进行操作，而非对参数本身。
遗传算法首先基于一个有限的字母表，把最优化问题的自然参数集编码为有线长度的字符串。
例如，一个最优化问题：在整数区间【0，31】上求函数f(x)=x2的最大值。
若采用传统方法，需要不断调节x参数的取值，直至得到最大的函数值为止。
而采用遗传算法，优化过程的第一步的是把参数x编码为有限长度的字符串，常用二进制字符串，设参数x的编码长度为5，“00000”代表0，“11111”代表31，在区间【0，31】上的数与二进制编码之间采用线性映射方法；随机生成几个这样的字符串组成初始群体，对群体中的字符串进行遗产操作，直至满足一定的终止条件；求得最终群体中适值最大的字符串对应的十进制数，其相应的函数值则为所求解。
遗传算法综述
遗传算法综述尘本是心摘要：遗传算法是一种借鉴生物界自然选择和进化机制发展起来的高度有效的随机搜索算法。
近年来，由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注。
本文介绍了遗传算法的基本原理和特点，以及在各个领域的应用情况。
关键词：遗传算法，综述，最优化。
A Review of Genetic AlgorithmsChen BenshixinAbstract:Genetic algorithms are considered as a search used in computing to find exact or a approximate solution for optimization and search problems.This article has a review of the genetic algorithm basic principle and the characteristic and its applications.Keywords:genetic algorithm,review,Optimization0前言在人工智能领域中，有不少问题需要在复杂而庞大的搜索空间中寻找最优解或准最优解。
在计算此类问题时，若不能利用问题的固有知识来缩小搜索空间则会产生搜索的组合爆炸。
因此，研究能在搜索过程中自动获取和积累有关搜索空间的知识并自适应地控制搜索过程从而得到最优解的通用搜索算法一直是令人瞩目的课题。
遗传算是这类特别有效的算法之一，它(GeneticAlgorithm,GA)是一类借鉴生物界的进化规律(适者生存,优胜劣汰遗传机制)演化而来的随机搜索算法。
是由美国Michigan大学的J.Holland教授1975年首先提出，它尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。
如著名的TSP、背包问题、排课问题等1遗传算法基本原理遗传算法是建立在自然选择和群众遗传学机理基础上的，具有广泛适应性的搜索方法。
遗传算法综述
遗传算法综述摘要：遗传算法(genetic algorithms，GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，适用于处理传统搜索方法难以解决的复杂和非线性优化问题。
遗传算法可广泛应用于组合优化、机器学习、自适应控制、设计和人工生命等领域，是21世纪有关智能计算中的重要技术之一。
本文通过对相关论文的查阅和整理，对遗传算法的研究现状和发展趋势进行了综述并谈论了一些自己的看法。
关键词：遗传算法研究现状发展趋势引言：遗传算法是模拟遗传选择和自然淘汰的生物进化过程的计算模型，由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg 等人归纳总结，形成一种新的全局优化搜索算法[1]。
遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。
1、遗传算法的基本原理与传统搜索算法不同, 遗传算法从一组随机产生的初始解,称为群体, 开始搜索过程。
群体中的每个个体是问题的一个解,称为染色体。
这些染色体在后续迭代中不断进化, 称为遗传。
遗传算法主要通过交叉、变异、选择运算实现。
交叉或变异运算生成下一代染色体, 称为后代。
染色体的好坏用适应度来衡量。
根据适应度的大小从上一代和后代中选择一定数量的个体, 作为下一代群体, 再继续进化, 这样经过若干代之后, 算法收敛于最好的染色体, 它很可能就是问题的最优解或次优解。
“遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。
度量个体适应度的函数称为适应度函数。
适应度函数的定义一般与具体求解问题有关”[2]。
遗传算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成遗传空间中的染色体或个体，这个过程称为编码（coding）。
另一个是从基因型到表现型的转换，即将个体转化成搜索空间中的参数，这个过程称为译码（decode）。
遗传算法综述
δ(H ) : H 的定义长度;
0 (H ) : H 的阶。
先考虑选择的效果。 在SGA , 选择标准是采用按适应度大小比例的原则, 因此, 第i个体经选择算子的作用在下一代继续存在的个数的期望值为n (f iö ∑f ) , 注意到
则
上述等式表明, 选择算子的作用将使适应度高于(低于) 平均水平的型式在代代相传时增大(减小) 其容量, 从而提高群体的质素。现在分析交换算子的作用。 若不进行交换或虽交换但交叉点落在型式最左、右两端确定字符所处位置之外, 该型式在下一代显然能被保留。 于是, 型式H 在下一代得以继续存在的
四、遗传算法技术
1.混合遗传算法
然而，单用简单的遗传算法在许多情况下不是十分有效，容易产生早熟现象以及局部寻优能力较差等问题，于是提出了多种混合算法。例如，Ackley 推荐的遗传爬山法；Mathefoud 提出的遗传模拟退火算法；采用遗传算法中增加局部改善运算等等。混合遗传算法的基本思想是：对于每个新产生的后代在其进入下一代群体之前应用局部优化技术(如爬山法、模拟退火算法等)，使之移动到最近的局部最优点。在混合遗传算法中，运用启发式方法作局部优化，采用遗传算法作全局最优点的探索。由于遗传算法与传统优化方法的互补性，混合遗传算法通常比单一算法优越。
（1）个体适应度评价的并行性 个体适应度的评价或计算在遗传算法的运行过程中所占用的运行时间比较长。通过对个体适应度并行计算方法的研究可找到并行评价个体适应度的算法。
（2）整个群体中各个个体的适应度评价和并行性群体中各个个体适应度之间无相互依赖关系，这样各个个体的适应度计算过程就可以相互独立、并行地进行。即不同个体的适应度计算可以在不同的处理机上同时进行。
遗传算法综述
遗传算法综述摘要遗传算法是通过模拟大自然中自然进化的过程并遵循遗传机制来求解问题的最优解的算法。
本文介绍了遗传算法的发展史，并对算法过程中编码方式、适应度函数选择、选择策略、遗传算子处理、参数控制进行了详尽探讨。
关键词：遗传算法；编码；适应度函数；选择策略；遗传算子一、引言遗传算法是在20世纪80年代迅速发展起来的一种随机搜索与优化算法，近年其成功的应用于工业、经济管理、交通运输等不同领域[1]，应用前景广泛，本文将从其起源，发展，重要人物，重要文章开始讨论，重点探讨算法过程中的一些关键步骤中的问题。
二、遗传算法的起源和发展分支遗传算法是通过模拟大自然中自然进化的过程并遵循遗传机制来求解问题的最优解的算法。
其核心的进化思想要追溯到Darwin的进化论与Mendel的遗传学说。
Darwin提出了“物竞天择，适者生存”，生物的遗传使得父代性状可以传至子代，而交叉，变异则产生新基因，为自然选择提供了丰富的原材料。
Mendel 则提出了分离率和自由组合率，奠定了现代遗传学的基础。
遗传算法是由密西根大学的Holland教授和他的学生在二十世纪六十年代对细胞自动机进行研究时率先提出的，并在1975年出版了《Adaptation in Natural and Artificial Systems》[2]。
以后，Holland将该算法加以推广。
其后，遗传算法不断在许多领域得到应用，算法本身也越来越成熟。
在20世纪80年代，在美国召开了第一届国际遗传算法会议，遗传算法迎来了其蓬勃发展时期，随着计算机计算能力的发展与实际需求的增多，遗传算法也更加广泛的在许多领域得到应用。
比如机器智能设计和机器人学习、计算机自动设计、系统优化设计、生产调度、时间表安排等等[1]。
正是由于其在许多重要领域获得了成功，因此受到了普遍关注并成为一个热门研究领域。
三、遗传算法发展中的重要人物与经典文章遗传算法是从Holland开始逐渐为世人所熟悉，其提出了模式定理[2]，而他的《Adaptation in Natural and Artificial Systems》也成了一部经典之作。
遗传算法综述
遗传算法综述刘珺（湘潭大学材料与光电物理学院2009级物理学二班 2009700206）摘要：遗传算法近年来广泛应用于计算机及自动化领域。
本文介绍了遗传算法的起源、发展简史和研究现状，对遗传算法的基本原理和编码问题进行了阐述，介绍了其特点，最后对其发展方向进行了分析和展望。
关键词：遗传算法；编码；并行；进化1 引言遗传算法(Genetic Algorithms 简称GA) 是模拟遗传选择和自然淘汰的生物进化过程的计算模型, 是由Michigan大学Holland教授于1975年首次提出的。
这是一种新的全局优化搜索算法, 因其简单通用, 鲁棒性强, 适于并行处理, 已广泛应用于计算机科学、优化调度、运输问题、组合优化等领域。
2 遗传算法的起源与发展遗传算法来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说。
其基本思想是模拟自然界遗传机制和生物进化论而形成的一种过程搜索最优解的算法。
早在上个世纪40年代，就有学者开始研究如何利用计算机进行生物模拟的技术，他们从生物学的角度进行了生物的进化过程模拟、遗传过程模拟等研究工作。
进入60年代后，美国密歇根大学的Holland教授在对细胞自动机（英文：cellular automata）进行研究时率先提出, 并于1975年出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，约翰•霍兰德教授所提出的GA通常为简单遗传算法（SGA）。
在二十世纪八十年代中期之前，对于遗传算法的研究还仅仅限于理论方面，直到在伊利诺伊大学召开了第一届世界遗传算法大会，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。
尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高。
遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
遗传算法综述
遗传算法综述摘要：20世纪70年代初，Holland首先提出了遗传算法。
由于遗传算法是全新的模拟生物演化的仿生优化算法以及遗传算法既适合无表达又适合有表达的任何类函数，因此己成为许多学科共同关注的热点研究领域。
本文详细阐述了遗传算法的起源、发展过程以及对标准遗传算法的基本原理、实现步骤、流程和特点。
本文还对遗传算法收敛性进行分析，最后对遗传算法的应用领域和研究方向进行了概述。
关键字：遗传算法；实现；分析Abstract：The genetic algorithm is presented by Holland in 1970s.The genetic algorithm has become the focus of many subjects, for genetic algorithm is a new optimal algorithm to simulate the biological evolution, and it suits both to functions without expressions and to functions with expression.This paper describes the origin of the genetic algorithm, as well as the development of the standard genetic algorithm to the basic tenets of implementation steps, processes and characteristics. This paper also convergence of the genetic algorithm analysis, the final application of genetic algorithms and research areas of the direction in which outlined.Key words：Genetic Algorithm；implement；analysis1遗传算法的起源遗传算法是模拟生物在自然环境力的遗传和进化过程而形成的一种自适应全局优比概率搜索算法[1]。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遗传算法综述摘要：遗传算法(genetic algorithms，GA)是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法，适用于处理传统搜索方法难以解决的复杂和非线性优化问题。
遗传算法可广泛应用于组合优化、机器学习、自适应控制、设计和人工生命等领域，是21世纪有关智能计算中的重要技术之一。
本文通过对相关论文的查阅和整理，对遗传算法的研究现状和发展趋势进行了综述并谈论了一些自己的看法。
关键词：遗传算法研究现状发展趋势引言：遗传算法是模拟遗传选择和自然淘汰的生物进化过程的计算模型，由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg 等人归纳总结，形成一种新的全局优化搜索算法[1]。
遗传算法以其简单通用、鲁棒性强、适于并行处理以及高效、实用等显著特点，在各个领域得到了广泛应用，取得了良好效果，并逐渐成为重要的智能算法之一。
1、遗传算法的基本原理与传统搜索算法不同, 遗传算法从一组随机产生的初始解,称为群体, 开始搜索过程。
群体中的每个个体是问题的一个解,称为染色体。
这些染色体在后续迭代中不断进化, 称为遗传。
遗传算法主要通过交叉、变异、选择运算实现。
交叉或变异运算生成下一代染色体, 称为后代。
染色体的好坏用适应度来衡量。
根据适应度的大小从上一代和后代中选择一定数量的个体, 作为下一代群体, 再继续进化, 这样经过若干代之后, 算法收敛于最好的染色体, 它很可能就是问题的最优解或次优解。
“遗传算法中使用适应度这个概念来度量群体中的各个个体的在优化计算中有可能到达最优解的优良程度。
度量个体适应度的函数称为适应度函数。
适应度函数的定义一般与具体求解问题有关”[2]。
遗传算法包含两个数据转换操作，一个是从表现型到基因型的转换，将搜索空间的参数或解转换成遗传空间中的染色体或个体，这个过程称为编码（coding）。
另一个是从基因型到表现型的转换，即将个体转化成搜索空间中的参数，这个过程称为译码（decode）。
图1展示了遗传算法的运行过程。
图1 遗传算法的运行过程示意图2、遗传算法的研究现状2.1 遗传算法研究方向[3]在遗传算法的研究中，目前主要有三类研究方向：⑴研究遗传算法本身的理论基础。
⑵用遗传算法作为工具解决工程问题。
主要是进行优化，关心的是能否在传统方法上有所提高。
在工程实践中的遗传算法应用主要是利用了其并行性和全局搜索的特点来进行优化。
⑶用遗传算法研究进化现象，一般涉及到人工生命等复杂性科学领域。
2.2遗传算法研究数据对比文献[4]通过对2008—2010 年三年内遗传算法研究方面发表在EI源刊上的文章分布情况的分析，分别从研究内容和应用领域两个方面进行了统计，得到如下的统计图：图2 遗传算法研究对比分析文献[5]则通过对2002—2006 年国内学者及工程技术人员在综述、函数优化、组合优化、生产调度、自动控制、机器人学、图像处理、人工生命、遗传编程、机器学习、数据挖掘11个方面对近五年国内发表在中文核心期刊上、与遗传算法有关的论文进行了分类，得到如下对比分析图：图3 2002-2006年国内遗传算法研究现状分析通过对这些图的分析，我们可以得到以下推论：（1）从研究内容来看，涉及物种多样性、测试函数、遗传算子、参数确定等研究内容的文章占据较大数量，欺骗问题和编码问题有关所占的比重不大；（2）从应用领域来看，针对遗传算法在生产调度及机器人学方面进行研究的文章占多数，在自动控制、组合优化和图像处理方面的研究也占很大一部分比例。
有关遗传算法在函数优化、机器学习、人工生命、数据挖掘方面研究所涉及的文章不是很多，遗传编程方面被忽视。
（3）通过遗传算法方面的研究情况进行对比分析得出，遗传算法在函数优化和组合优化方面进行研究的文章每年几乎都是最多的，而生产调度及自动控制等实际应用领域的研究成果较少，这说明了现阶段我国的学者仍将研究的重心放在遗传算法的理论研究上。
遗传算法在数据挖掘和机器学习领域进行研究的文章不多，但在研究成果中所占的比重逐年增长。
3、遗传算法的发展趋势遗传算法作为一种搜索算法，其基本框架已经形成，在各种问题的求解和应用中展现了它的特点和魅力，下面概述遗传算法现阶段研究课题的几个主要方面：3.1 优化搜索方法的研究优化问题的求解在遗传算法研究中占很大比重。
尽管遗传算法比其他传统搜索方法有更强的鲁棒性，但它更擅长全局搜索而局部搜索能力却不足。
为此，除了要进一步改进基本理论和方法外，还要采用和神经网络、模拟退火或专家系统等其他方法相结合的策略[6]。
许多研究结果表明，采用这种混合模型可有效提高遗传算法的局部搜索能力，从而进一步改善其收敛速度和解的品质。
3.2 遗传算法的并行分布处理伴随遗传算法应用的深入发展，并行分布遗传算法及其实现的研究也变得十分重要。
遗传算法由于其群体性操作，所以本质上具有很好的并行分布处理特性。
尤其是遗传算法中各个体的适应度计算可独立进行而彼此间无需任何通信，所以并行处理效率是很高的。
但是，标准的遗传算法除适应度计算外，“几乎所有的遗传操作都是建立在全局统计处理的基础上，这意味着在整个进化过程中，这种全局统计处理所引起的通信开销依然是不可忽视的”[7]。
因此，设计有效的并行遗传算法及相应的实现系统对于遗传算法的理论研究和应用研究都是十分重要而迫切的任务。
文献[8]即给出了一种适用于大规模变量的并行遗传算法。
3.3量子遗传算法研究量子遗传算法是在遗传算法中引入量子计算的概念,是20世纪90年代新兴的研究领域。
目前，这一领域的研究主要集中在两类模型上：“一类是基于量子多宇宙特征的多宇宙量子衍生遗传算法(Quantum Inspired Genetic Algorithm)，另一类是基于量子比特和量子态登加特性的遗传量子算法(Genetic Quantum Algorithm,GQA)”[9]。
最近几年量子遗传算法在算法机理和性能方面以及在算法的种群改进、编码扩展、算子创新、算法融合等应用方面均取得进展，但此算法在函数优化中迭代次数多、容易陷入局部最优解的问题仍亟待解决。
文献[10]即给出了一种改进的量子遗传算法研究。
3.4 生物进化与遗传算法的研究从生物进化的角度看，现在的遗传算法理论框架尚处于核糖核酸的水平，模拟从RNA向DNA的进化过程和机制，从而完善和提高遗传算法的性能是值得注意的研究课题。
3.5 遗传算法在自动控制领域中的应用许多控制领域问题,当考虑到系统优化、自适应、自学习以及自组织等方面的要求时,多存在很多常规方法难以奏效的困难。
而遗传算法在自动控制领域中的应用已经得到了良好效果。
如遗传算法进行“航空控制系统的优化、使用遗传算法设计空间交会控制器以及运用遗传算法进行人工神经网络的结构优化设计和权值学习等”[11]都显示出了遗传算法在自动控制领域中应用的可能性，未来可以在这个领域发挥更大的作用。
总结：综上所述我们可以看到遗传算法正逐步从理论走向实际，并且越来越贴近我们的实际生活。
随着遗传算法理论研究的不断深入，其自身的发展将得到进一步完善，另外遗传算法自身的“开放性决定了它与其它算法相结合应用并会在计算速度上有大的突破，届时遗传算法在各个应用领域必将发挥重大作用”[12]，希望这一天可以尽早到来。
参考文献：[1] HOLLAND J H. Adap tation in natural and artificial systems [M ].Ann Arbor：University ofMichigan Press， 1975[2] 吉根林 《遗传算法研究综述》 第21卷第2期2004年2月 计算机应用与软件 （Computer Applications and Software Vol121, No12 Feb1, 2004）[3] 张达 《遗传算法及其发展状况研究》 计算机科学2004 Vo1.31 N2.10(增刊)[4] 马永杰，云文霞 《遗传算法研究进展》 第29卷第4期 2012年4月 计算机应用与软件 中图分类号: TP18 文献标志码: A 文章编号: 1001-3695(2012)04-1201-06[5] 葛继科，邱玉辉，吴春明，等． 遗传算法研究综述［J］． 计算机应用研究，2008，25(10):2911-2916．[6] Powll D. Tong S ,Skolnik M. EnGENEous: Domain Independent , Machine for Design Op－timization[J]. Proc of ICGA-89,1989.[7] Stender J (Ed).Parallel Genetic Algorithms[J].Theory and Application.ISO Press,1993.[8] 李东 潘志松 《一种适用于大规模变量的并行遗传算法研究》 《计算机科学》 2012年07期 【分类号】：TP18[9] 梁昌勇 柏桦 蔡美菊等 《量子遗传算法研究进展》 计算机应用研究( Application Research of Computers) 2012年07期[10] 王竹荣 杨波等 《一种改进的量子遗传算法研究》 西安理工大学学报（Journal of Xi’an University of Technology）2012年02期[11] 龚玲 《遗传算法在自动控制领域中的应用综述》 无线互联科技 2013年06期[12] 张国民 《遗传算法的综述》 科技视界(Science & Technology Vision) 2013年09期。