第一章遗传算法概述.docx

第一章 遗传算法概述 遗传算法 (Genetic Algorithm ， 简称 GA) 起源于对生物系统所进行的计算机模拟研究。 美国 Michigan 大学的 Holland 教授及其学生受到生物模拟技术的启发， 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 定理 —— 模式 定理 (Schema Theorem)， 并于 1975 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 Land Artificial Systems 》 。 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，树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 地论述了遗传算法的基本原理及其应用。 1991 年， Davis 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。 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 1992 年， (Genetic Programming ，简称 GP)的概念。遗传算法被众多的使用者证明在控制系统的离线设计方面是 有效的策略。例如， Krishnakumar 和 Goldberg 以及 Bramlette 和 Cusin 已证明使用遗传优化 方法在太空应用中导出优异的控制器结构比使用传统方法如 LQR 和 Powell( 鲍威尔 ) 的增音机 设计所用的时间要少 (功能评估 ) 。Porter 和 Mohamed 展示了使用本质结构分派任务的多变量飞 行控制系统的遗传设计方案。与此同时，另一些人证明了遗传算法怎么能在控制器结构的选 择中使用。 从遗传算法的整个发展过程来看， 70 年代是兴起阶段， 80 年代是发展阶段， 90 年代是高 潮阶段。遗传算法作为一种实用、高效、鲁棒性强的优化技术，发展极为迅速，已引起国内 外学者的高度重视。 1.1 遗传算法概念 生物的进化 (Evolution) 过程主要是通过染色体之间的交叉和变异来完成的。基于对自然界 中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表 示问题的可行解，开发出了许多种不同的编码方式来模仿不同环境下的生物遗传特性。这样， 由不同的编码 (Coding) 方法和不同的遗传算子就构成了各种不同的遗传算法。 什么是遗传算法？ 遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了达 尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，它能在搜 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得最优解。遗 传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。 在遗传算法的每一代，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法 进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原 个体更能适应环境，就像自然界中的改造一样。 个体 或当前近似解被编码为由字母组成的串，即染色体（ Chromosome），使基因 (Gene， 染色体值 ) 能在 (表现 ) 域决策变量上被惟一地描述。尽管可以使用二进制、整数、