遗传算法综述
遗传算法遗传算法
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
遗传算法文献综述
20世纪50年代末，国外就有人开始进行课程编排问题研究，Judit Csima & C.C. Gotlieb[16]曾形象化描述并提出一个求解课表问题的数学模型，上世纪70年代，Even和Cooper[17]等人证明了排课问题就是一个NP-Hard问题。
而NP 问题除了穷举法没有绝对的求解方法，这有效地回答了排课在应用中遇到困难的原因，同时认识到了课表编排的复杂性，从理论上证明了要解决大规模的排课问题单纯依靠数学方法是行不通的。
印度Vastapur 大学管理学院的Arabinda Tripathy 在1992年进行了课表编排研究，他在进行课表编制过程中，充分地考“人”的因素，并以“人”为单位进行课表编排，但是效果却差强人意[18]。
有学者指出，可以通过适当地减少变量的个数，从而使得在排课时，最大程度地减少计算量，但是，这种思想无疑是不可取的，因为排课属于一个多目标的优化问题，减少变量的个数，人为地造成课程之间的矛盾[19]。
有学者设计了多重课组进行排课，具体是根据学生自主选课的冲突情况，如果选课学生人数过多，教学与教室之间冲突情况严重，则可以在一周内开设一定数量的重复课程，来解决选课学生人数多的矛盾，但是这种方法的随机性较大，无法从根本上解决排课过程中多目标问题。
加拿大Montreal 大学的Jacques A．Ferland 等人通过研究，认为可以将排课问题分解成两个关联程度较高的子问题：即分成时间表和课程分组，并构造相应的启发函数和惩罚因子，来试图解决排课问题[20]。
在排课过程中，Jacques A．Ferland 等人将SAPHIR 课程调度决策支持系统分成多个功能模块，如数据处理、自动优化、交互优化等模块，利用多重课组来协调解决排课过程中出现的主要矛盾[21]。
Colomi 等人将具有自适应寻优能力的遗传算法用于课程编排问题求解，首先与高校教学过程相关的因素进行编码，然后采用遗传算法模拟自然界的选择、交叉、变异算子寻找最优排课方案，并应用到当前一所高中的排课系统中。
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
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)。
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。
外设还可选配数字化仪等设备,对于需要直接输出到磁带上,并使用电视进行播发的动画,则可选用专业用户级以上的逐帧录向设备。
总之,3D S是一个庞大的图形工作平台,学会使用它的各种命令,发挥软件的强大功能绘制出优秀的动画和图象,还需要有很多技巧。
随着人们对3D S认识加深,以它为平台开发的动画产品必将更加丰富多彩。
参考文献1 [美]S1D1E lli o t,P1L1M iller,G1G1Pyro s著1黄心渊等译《3D—Studi o技术精粹》1北京:清华大学出版社。
199512 黄心渊 左正兴编著1《3D—Studi o(310—410)技术与应用》1北京:清华大学出版社,19961收稿日期:1996年11月18日遗传算法综述艾丽蓉 何华灿(西北工业大学计算机系 西安710072)摘 要 本文从计算智能与进化计算谈起,论述了遗传算法产生的思想及背景,遗传算法的应用与研究现状,以及遗传算法研究的基本内容与问题,最后对GA与传统搜索算法做一比较,并概述了GA在并行处理应用中的潜在优势。
关键词 计算智能 进化计算 遗传算法(GA)0 序言长久以来,人们一谈到人工智能就马上想到逻辑、规则、推理,而一谈到计算就联想到矩阵运算、解微分方程,似乎智能和计算是两股道上跑的车。
人工智能在走过几十年的曲折道路之后,人们经过认真反思,不断探索新的研究途径,于是一个新的研究方向——计算智能应运而生。
研究思维模拟主要的道路有四条:基于心理学的符号处理方法,基于社会学层次型的智能体方法,基于生物进化的进化计算与自适应方法,以及基于生理学的人工神经网络方法。
目前聚集在计算智能大旗下的主要是后两个学派的学者(加上从事模糊计算和混沌计算等方面的学者)。
实际上,只要在计算机上,模拟人类思想,不管用什么方法,其本质的基础还是二进制数字计算,在当前符号处理主宰人工智能的情况下,更应强调遗传算法等以数字计算为基础的方法对推动人工智能发展有着特殊的作用。
计算技术的飞速发展使大规模的现实模拟成为可能,而针对社会和生物现象的模拟,对人类认识自身及其环境具有重大意义,进化是其中最为诱人的领域之一。
人的智能是从哪里来的?归根结底是从生物进化中得来的,反映在遗传基因中,脑的结构变化也是通过基因的变化一代代遗传下来。
每一种基因产生的生物个体(看成一种结构)对环境有一定的适应性,或叫适合度(fitness),杂交和基因突变可能产生对环境适应性强的后代,通过优胜劣汰的自然选择,适合度高的结构被保存下来。
因此从进化的观点看,结构是适合度的结果。
在这种观点启发下,60年代Fogel等提出了进化程序思想,70年代Ho lland提出了遗传算法,如同神经网络研究一样,经过20年的沉寂,到80年代后期,由于在经济预测等应用领域获得成功,进化计算成为十分热门的研究课题。
进化计算实质上是自适应的机器学习方法,它的核心思想是利用进化历史中获得的信息指导搜索或计算,常用的进化计算包括遗传算法、遗传程序、进化程序、爬山法即局部搜索、人工神经网络、决策树的归纳及模拟退火等。
这些不同的方法具有以下几项共同的要素:自适应的结构、随机产生的或指定的初始结构、适合度的评测函数或判据、修改结构的操作、每一步中系统的状态即存储器、终止计算的条件、指示结果的方法、控制过程的参数。
上述几种进化计算方法中,只有遗传算法与遗传程序是一组结构(a popu lati on)同时进化,其它方法是一个结构的进化。
所谓遗传程序与通常的遗传算法的主要区别在于采用的结构(即问题的表示)不同,最初的遗传算法的自适应结构为定长的二进制字符串,而遗传程序的结构是分层的树,表示lisp 语言中的S表达式,即一个解决指定问题的程序。
遗传程序的目标是自动生成程序,不同进化计算方法采用不同的结构,实质是不同的问题表示。
一个问题的复杂性决定了它的问题表示,因为一种表示限制了系统观察世界的窗口。
进化计算的主要优点是简单、通用、鲁棒性强和适于并行处理。
目前进化计算已广泛用于最优控制、符号回归、自动生成程序、发现博弈策略、符号积分微分及许多实际问题求解,它比盲目的搜索效率高得多,又比专门的针对特定问题的算法通用性强,它是一种与问题无关的求解模式。
1 遗传算法(Generic A lgrithm简称GA)的思想及背景人们对于自然系统、生物系统的自适应、自组织和再生能力这些美妙的特征感到无比诧异,向往着设计的人工系统像自然系统那样健壮。
高效灵活,具有适应性,那样,人工系统实现的功能将会更好,耗费大的再设计将减少或消除,GA的发展正迎合了人们的这种愿望。
在自然界中,进化过程的发生以下面四点为必要条件:・存在可以复制自身的实体;・存在这样一个自我复制实体的群体;・这些自我复制的实体之间存在某些差异;・实体在环境中的生存能力与这些差异有关。
自然界中生物体的不同归根结底是由于决定其遗传特性的染色体的不同,染色体的差异通过生物体在环境中的结构与行为表现出来,而结构与行为的差异反过来又影响生物体存活与繁殖的能力。
那些能更好地适应环境,更好地进行生存斗争的生物以较高的机率生存,这就是达尔文的适者生存和自然选择观点。
通过许多世代的这种过程,群体将更多地包含那些能更好地适应环境与竞争的个体,这样,群体的个体结构由自然选择而产生变化,这就是我们所说的群体进化。
进化是“群体在遗传组成上发生变化的过程”。
奥地利的Greger M endel提出了自然遗传学说:遗传是作为一种指令遗传码封装在每个细胞中。
这种遗传码的“基因”的形式包含在“染色体”里,每个基因有它特殊的位置,并控制一个特殊的性持。
M endel的自然遗传学说支持了D arw in的进化论,并较详细地解释了群体里的变化是如何发生的。
GA的基本思想正是基于此。
GA是强调目的性的算法化的进化过程,着重解决现实中的优化问题,是一种基于进化论优胜劣汰、自然选择、适者生存和物种遗传思想的搜索算法,它通过模拟生物在自然界中遗传变异与生存竞争等遗传行为,让问题的解在竞争中得以改进(或进化),以求得问题的满意解或最优解。
2 GA的应用与研究现状GA是由美国M ich igan大学的J1H1Ho lland于本世纪60年代末提出并创立。
GA作为一种解决复杂问题的有效的优化方法,近年来在国外得到较为广泛的应用,并产生了很多衍生分支,如进化程序、遗传编程、进化策略、分类器系统和人工生命,国内在这方面的研究与应用基本上还处于起步阶段。
国际遗传算法会议每两年一届,从1985年至于1995年已有六届,被认为是世界上第一个GA应用软件的C D arw in2于1991年开发成功,关于GA划分领域一般为:・表示与遗传操作符・GA技术及特征・GA数学分析・并行GA・分类器系统和其它基于规则的方法・遗传编程・GA和神经网络・GA应用(调度问题、组合择优等)。
GA已在机器学习、软件技术、图象处理、模式识别、神经网络、工业优化控制、生物学、遗传学、社会科学等方面有应用,具有代表性的有:在优化问题方面的应用,如巡回推销员问题、煤气管道的最优控制、通信网络设计、铁路运输计划的优化;在规则学习方面,象基于遗传的机器学习系统——分类器系统、逐次决策问题—SAM U EL系统等。
3 遗传算法的基本内容311 GA 的基本原理如图1是一个使用选择(再生)、交换和突变三种遗传操作的GA 。
选择:其过程为,基于个体对环境的适应度(由f 2f 决定,其中f 是对象函数值,2f 是群体里所有对象函数值的和),决定哪个个体被复制。
选择意味着较高对象函数值的个体,有较大的概率在下一代提供一个或多个后代。
交换:指在选择个体成员的过程中,按一定概率P C 随机选择匹配对,然后两个匹配的个体(串)随机地互换部分串位形成后代串。
突变:是以一定概率P m 改变串的某个位置的值。
312 图式定理图式(schem a )定理,或称GA 基本定理,是一个相似性样板,即描述在某些串位置相似的串的子集。
通常它是由表{0,1,3}的元素组成的一个串,其中3是待定的,值或为0或为1。
图式定理用数学形式表示为:m (H ,t +1)≥m (H ,t )×(f (H ) f -)×[1-P c ・(Ν(H ) (l -1))・o (H )・P m ]其中,H 表示某个图式,m (H ,t )表示在t 代群体中存在的图式H 中串的个数。
f (H )表示在t 代群体中图式H 串的平均适应度。
l 表示串的长度,P c 是串之间发生交换的概率,P m 是一个串发生突变的概率。
Ν(H )表示图式H 的定义长,o (H )表示图式H 的阶。
图式定理用数学表达式预测包含图式H 的某群体通过进化,在下有代群体中存在于H 中的串的数量有多少,从而使人们根据问题要求,给出一些适当的参数,以便更好地模拟“适者生存”、“优胜劣汰”等进化规律,以求得具有好的特征的最优解。