遗传算法及其展状况研究.docxVIP

关于遗传算法的文献综述 班级：13级机械(4)班 学号：913101140439 姓名：元志斌 关键词：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择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和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研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。 Abstract:Genetic?algorithm?is?a?kind?of?natural?selection?and?based?on?biological?evolution?of?genetic?mechanism,?group?suitable?for?complex?system?optimization?adaptive?probability?optimization?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. 引言 遗传算法Genetic?Algorithm（GA）是由美国密歇根大学的John?H.?Holland教授及其学生于20世纪60年代末到70年代初提出的。它是以达尔文的自然进化论“适者生存、优胜劣汰”和孟德尔遗传变异理论为基础，模拟生物进化过程。它具有大范围快速全局搜索能力，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以求的最优解。正是遗传算法的诸多特点，使得它在求解组合优化、机器学习、并行处理等问题上得到了广泛的应用。普通遗传算法是通过模拟染色体群的选择、交叉和变异等操作，不断迭代，最终收敛到高适应度值的染色体，从而求得问题的最优解。?但是随着问题规模的扩大，组合优化问题的搜索空间急剧扩大，普通遗传算法的收敛速度慢、易陷入局部最优的缺点就暴露了。而佳点集遗传算法正是通过佳点集的方法改进交叉算子，加快算法收敛到全局最优解的速度，降低发生早熟的概率，提高整个算法的计算效率。 国内外相关研究现状 遗传算法的鼻祖是美国Michigan大学的Holland教授及其学生。他们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合于复杂系统优化的自适应概率优化技术——遗传算法。1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体的编码方法。Holland教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本理论——模式定理（Schema?Theorem）并于1957年出版了第一本系统论述遗传算法和人工自适应系统的专著《Adaptation?in?Natural?and?Artificial?Systems》。20世纪80年代，Holland教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念。1975年，De?Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。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的主要研究成果，全面完整的论述了遗传算法的基本原理及其应用。1991年，David出版了《Handbook?of?Genetic?Algorithms》一书，介绍了遗传算法在科学计算、工程技术和社会经济中的大量实例。1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程（Ge