遗传算法及其发展状况研究样本

关于遗传算法文献综述
班级：13级机械(4)班学号：9 姓名：元志斌
核心词：遗传算法，编码，搜索，优化，交叉，遗传
摘要：遗传算法是一种基于生物进化自然选取和群体遗传机理，适合于复杂系统优化自适应概率优化技术，近年来，由于遗传算法求解复杂优化问题巨大潜力和在工业工程领域成功应用，这种算法受到了国内外学者广泛关注，本文简介了遗传算法研究现状和发展前景，概述了它理论和技术，并对遗传算法发展状况刊登了自己看法。

Abstract:Genetic algorithm is a kind of natural selection and based on biological evolution of gen etic mechanism, group suitable for complex system optimization adaptive probability optimizatio n technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own.
1.引言
遗传算法Genetic Algorithm（GA）是由美国密歇根大学John H. Holland专家及其学生于20世纪60年代末到70年代初提出。

它是以达尔文自然进化论“适者生存、优胜劣汰”和
孟德尔遗传变异理论为基本，模仿生物进化过程。

它具备大范畴迅速全局搜索能力，能在搜索过程中自动获取和积累关于搜索空间知识，并自适应地控制搜索过程以求最优解。

正是遗传算法诸多特点，使得它在求解组合优化、机器学习、并行解决等问题上得到了广泛应用。

普通遗传算法是通过模仿染色体群选取、交叉和变异等操作，不断迭代，最后收敛到高适应度值染色体，从而求得问题最优解。

但是随着问题规模扩大，组合优化问题搜索空间急剧扩大，普通遗传算法收敛速度慢、易陷入局部最优缺陷就暴露了。

而佳点集遗传算法正是通过佳点集办法改进交叉算子，加快算法收敛到全局最优解速度，减少发生早熟概率，提高整个算法计算效率。

2.国内外有关研究现状
遗传算法鼻祖是美国Michigan大学Holland专家及其学生。

她们受到生物模仿技术启发，创造了一种基于生物遗传和进化机制适合于复杂系统优化自适应概率优化技术——遗传算法。

1967年，Holland学生Bagley在其博士论文中初次提出了“遗传算法”一词，她发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体编码办法。

Holland 专家用遗传算法思想对自然和人工自适应系统进行了研究，提出了遗传算法基本理论——模式定理（Schema Theorem）并于1957年出版了第一本系统阐述遗传算法和人工自适应系统专著《Adaptation in Natural and Artificial Systems》。

20世纪80年代，Holland专家实现了第一种基于遗传算法机器学习系统，开创了遗传算法机器学习新概念。

1975年，De Jong基于遗传算法思想在计算机上进行了大量纯数值函数优化计算实验，建立了遗传算法工作框架，得到了某些重要且具备指引意义结论。

1989年，Goldberg出版了《Genetic Algorithm in Search，Optimization and Machine Learning》一书，系统地总结了遗传算法重要研究成果，全面完整阐述了遗传算法基本原理及其应用。

1991年，David出版了《Handbook of Genetic Algorithms》一书，简介了遗传算法在科学计算、工程技术和社会经济中大量实例。

1992年，Koza将遗传算法应用于计算机程序优化设计及自动生成，提出了遗传编程（Genetic Programming，简称GP）概念。

在控制系统离线设计方面遗传算法被众多使用者证明是有效方略。

例如，
Krishnakumar和Goldberg以及Bramlette和Gusin已证明使用遗传优化办法在太空应用中导出优秀控制器构造比使用老式办法如LQR和Powell（鲍威尔）增音机设计所用时间要少（功能评估）。

Porter和Mohamed展示了使用本质构造分派任务多变量飞行控制系统遗传设计方案。

与此同步，另某些人证明了遗传算法如何在控制器构造选取中使用。

从遗传算法整个发展过程来看，20世纪70年代是兴起阶段，20世纪80年代是发展阶段，20世纪90年代是高潮阶段。

遗传算法作为一种实用、高效、鲁棒性强优化技术，发展极为迅速，已引起国内外学者高度注重。

近些年来，国内外诸多学者在遗传算法编码表达、适应度函数、遗传算子、参数选取、收敛性分析、欺骗问题和并行遗传算法上做出了大量研究和改进。

尚有诸多学者将遗传算法和其她只能算法结合，进一步提高局部搜索能力。

在遗传算法应用上也有诸多改进。

由于遗传算法具备全局并行搜索、简朴通用、鲁棒性强等长处，使得遗传算法广泛地应用于计算机科学、自动控制、人工智能、工程设计、制造业、生物工程和社会科学等领域。

针对遗传算法某些问题，尚有某些问题需要进一步探究，将大大增进遗传算法理论和应用发展，遗传算法必将在智能计算领域中呈现出更加光明前景。

当前遗传算法所涉及重要应用领域如下表所示：
遗传算法重要应用领域
3.现阶段存在问题及技术核心
遗传算法在整个进化过程中遗传操作是随机，但它所呈现出特性并不是完全搜索，它能有效地运用历史信息来推测下一代盼望性能有所提高寻长处集。

这样一代代不断进化，最后收敛到一种最适应环境个体上，求得问题最优解。

遗传算法所涉及三大核心技术是：（1）复制
复制操作又可称为选取、再生或繁殖操作，用于模仿生物界去劣存优自然选取现象。

它从旧种群中选取出适应性强某些染色体，放入匹配集，为染色体交叉和变异操作产生新种群做准备。

适应度越高染色体被选取也许性越大，其遗传基因在下一代群体中分布就越广，其子孙在下一代浮现数量就越多。

有各种复制办法，使用比较普遍一种是适应度比例法。

（2）交叉
复制操作虽然可以从旧种群中选取出先进者，但不能创造新染色体。

因而，遗传算法开创者提出了交叉操作。

它模仿生物进化过程中繁殖现象，通过两个染色体互换组合，来产生新优良品种。

（3）变异
变异操作用来模仿生物在自然遗传环境中由于各种偶尔因素引起基因突变，它以很小概率随机地变化遗传基因值。

在染色体以二进制编码系统中，它随机地将染色体某一种基因由1变成0，或由O变成1。

若只有复制和交叉，而没有变异操作，则无法在初始基因组合以外空间进行搜索，使进化过程初期就陷入局部解而中正进化过程，从而使解质量受到很大限制。

通过变异操作，可保证群体中遗传基因类型多样化，以使搜索能在尽量大空间中进行，避免丢失在搜索中有用遗传信息而陷入局部解，获得质量较高优化解答。

用遗传算法进行途径规划时，随机产生初始种群，为了避免陷入局部极值点，种群数量要达到一定规模。

但种群规模大会导致搜索空间较大，删除冗余个体能力较差，大大影响途径规划速度。

特别在环境较为复杂情形下，这种缺陷就更加明显。

而在当前工作中，遗传算法（1972年提出）已经不能较好解决大规模计算量问题，它很容易陷入“早熟”。

惯用混合遗传算法，合伙型协同进化算法等来代替，这些算法都是GA衍生算法。

遗传算法具备良好全局搜索能力，可以迅速地将解空间中全体解搜索出，而不会陷入局部最优解迅速下降陷阱；并且运用它内在并行性，可以以便地进行分布式计算，加快求解速度。

但是遗传算法局部搜索能力较差，导致单纯遗传算法比较费时，在进化后期搜索效率较低。

在实际应用中，遗传算法容易产生早熟收敛问题。

采用何种选取办法既要使优良个体得以保存，又要维持群体多样性，始终是遗传算法中较难解决问题。

4. 将来发展趋势
从自然现象来看，生物演化目并非获得某一限制条件下某些参数优化，而是适应环境。

从这一点来看，虽然当前工程实践上遗传算法重要应用是用于优化，但真正成果并非如此。

借鉴遗传算法和生物演化现象紧密关系，人工生命和复杂性科学研究与遗传算法有极其密却联系。

从长远来看。

遗传算法尚有如下发展空间：
（1）协同进化。

进化目的不是形成一种超级物种，一种生态环境进化成果是物种与环境互相
适应复杂系统。

因而，应当研究各种物种早共同生态环境中协同进化。

相应到遗传算法，可以用于多目的优化。

（2）学习与进化互相作用。

可以将学习分为如下几种：
①宗亲学习：通过血亲遗传祖先特性遗传给后裔；
②社团学习：经验和知识在群体中共享；
③个体学习：个体生存过程中学习；个体学习获得某种所需特性机会。

但是除了生物界有性生殖，突变，染色体互换和倒置等等基于生理构造进化机制外，人类社会还存在基于社会文化进化机制，个体在社会学习中得到特有更高档进化。

而随着计算机技术高速发展，遗传算法将会更加广泛地应用于国民经济各个领域，如故障诊断，工业控制，电力系统，系统辨识，神经网络，途径规划，网络通信，社会科学等。

随着遗传算法进一步研究以及与其她学科互相融合，必将在智能领域占有越来越重要地位。

随着理论研究不断进一步和应用领域不断扩展，遗传算法将得到长足发展。

参照文献
[1]赵宜鹏，孟磊，彭承靖.遗传算法原理与发展方向综述[J]，黑龙江科技信息，（13）：79-80.
[2]曾文飞，张英杰，颜玲.遗传算法基本原理及其应用研究[J]，软件导刊，（9）：54-56.
[3]李敏强，寇纪淞，林丹，李书全.遗传算法基本理论与应用[M].北京：科学出版社，
[4]巩敦卫，郝国生，周勇，郭一楠.交互式遗传算法原理及其应用[M].北京：国防工业出版社，
[5]D Wolpert，W Macready - 《Working Papers》 - 1995
[6]Z Michalewicz，CZ Janikow，JB Krawczyk - 《Computers & Mathematics with Applications》 - 1992
[7]郑朝晖，张焱，裘聿皇．一种基于复数编码遗传算法［J］．控制理论与应用，，20（1）：97-100．
[8]LINYung-chien，et al［J］．ComputersandMathematicswithAp-plications，，47（8-9）：1295-1307．
[9]乔家庆，付平，孟升卫．基于个体差别遗传选取算子设计［J］．电子学报，，34（12A）：2414-2416．
[10]于志刚，宋申民，段广仁．遗传算法机理与收敛性研究［J］．控制与决策，，20（9）：971-980
[11]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，，25（10）：2911-2916。