遗传算法_综述_.pdfVIP

第 16 卷　第 1 期 工　程　数　学　学　报 V o l. 16 N o. 1 1999 年 2 月 Feb. 1999 JOU RNAL O F EN G IN EER IN G M A TH EM A T ICS ( ) 遗传算法 综述 任　平 ( 暨南大学数学系, 广州 510632) 摘　要 遗传算法提供了在很宽的领域中实用的优化技术, 本文综述其基本概念与近期的发展。 关键词　遗传算法, 人工智能, 运筹学 分类号　 ( 1991) 68 , 92 ; 　　　　 18　　　　 AM S T B CCL T P 近年来, 一种被称为遗传算法(Genetic A lgo rithm s, GA ) 的优化技术有了很大发展, 由 于在许多重要领域获得成功应用, 它受到普遍关注而成为当前十分热门的研究领域。 1　GA 的基本概念 [ 1 ] 遗传算法, 有的作者译为基因算法 , 是一种模拟自然选择和遗传机制的寻优程序, 它 [ 2 ] 是 60 年代中期美国密执安大学Ho lland J H 教授首先提出 并随后主要由他和他的一批学 生发展起来的。 把计算机科学与进化论撮合到一块的最初尝试是在 50 年代末 60 年代初。但由于过分 依赖突变( ) 而不是配对( ) 来产生新的基因, 所以收效甚微。 的功绩 m u tation m ating Ho lland 在于开发一种既可描述交换也可描述突变的编码技术, 这是最早的遗传算法, 文献中现在把 它称为简单遗传算法(Sim p le GA , SGA ) 。 一般的遗传算法由四个部分组成: 编码机制、控制参数、适应度函数、遗传算子。 编码机制(encoding m echan ism ) 　这是 GA 的基础。GA 不是对研究对象直接进行讨 ( ) 论, 而是通过某种编码机制把对象统一赋于由特定符号 字母 按一定顺序排成的串 ( string) 。正如研究生物遗传, 是从染色体着手, 染色体则是由基因排成的串。在 SGA , 字符 集由 0 与 1 组成, 码为二元串。对一般的 GA , 自然可不受此限制。串的集合构成总体, 个体 就是串。对 GA 的码可以有十分广泛的理解。在优化问题, 一个串对应于一个可能解; 在分 类问题, 串可解释为一个规则, 即串的前半部为输入或前件, 后半部为输出或后件、结论, 等 等。这也正是 GA 有广泛应用的重要原因。 适应度函数(fitness function) 　优胜劣败是自然进化的原则。优、劣要有标准。在 GA , 本文 1996 年 1 月 16 日收到。 国务院侨办重点学科科研基金资助项目。 2 工　程　数　学　学　报　　　　　　　　　　　　　第 16 卷 用适应度函数描述每一个体的适宜程度。对优化问题, 适应度函数就是目标函数。引进适应 度函数的目的在于可根据其适应度对个体进行评估比较, 定出优劣程度。为方便起见, 在 SGA , 适应度函数的值域常取为[0, 1 ]。