1数据融合绪论概要.ppt

1.2.3 进化计算技术 遗传算法的发展过程 从20世纪60年代开始，密歇根大学教授Holland开始研究自然和人工系统的自适应行为，开创了与目前类似的复制、交换、突变、显性、倒位等基因操作，提出了重要的模式理论，建议采用二进制编码。 进入80年代，随着以符号系统模拟智能的传统人工智能暂时陷入困境，神经网络、机器学习和遗传算法广泛应用。 进入90年代，以不确定性、非线性等为内涵，遗传算法在许多领域得到了广泛应用。 遗传算法的基本理论研究 遗传算法理论研究内容主要有分析遗传算法的编码策略，全局收敛和搜索效率的数学基础，遗传算法的新结构研究、基因操作策略及其性能研究、遗传算法参数的选择以及与其他算法的综合应用研究。 一般，遗传算法主要采用计算的方法模拟达尔文生物进化优胜劣汰过程。这是个使一个群体经过一代代选择、杂交和变异体现适应性的过程。在此过程中，好的个体具有较大的选择概率，由随机状态向好的状态和更好状态进化。 选择是按个体适应值具有较大概率者被从群体中选择两个。例如： A＝【X1，X2，…Xj-1，Xj，Xj+1，…，Xn】 B＝【Y1，Y2，…Yj-1，Yj，Yj+1，…，Yn】 然后对这两个个体进行杂交。杂交过程是在染色体链中随机地选择杂