遗传算法论文.docVIP

论文名称：遗传算法

姓名：徐庆地

学号：20112212478

班级：计算机科学与技术1班

院系：信息与电气工程学院

日期：2014年6月18日

TOC\o1-3\h\u12710摘要 2

20595第一章引言 3

120641．1搜索法 3

14191.2遗传算法 3

32745第二章遗传算法(GeneticAlgorithms，GA) 4

228192.1遗传算法的根本概念 4

289032.2遗传算法的实现步骤 6

2548第三章遗传算法的特点及应用 9

321823.1遗传算法的特点 9

15043.2遗传算法的应用 9

8832第四章遗传算法的缺点及开展 12

202174.1遗传算法的缺点 12

7537第五章遗传算法代码实现 13

26002附录遗传算法代码〔GACode〕 14

摘要

智能搜索算法包括遗传算法、禁忌算法、模拟退火算法等。其中遗传算法〔GA〕是人类从基因遗传的生物进化思想的启发下提出的，它是一种进化计算，进化计算实质上是自适应的机器学习方法，遗传算法根据基因遗传时候的变化，它在运算的时候也分为选择、交叉、变异三种行为。它比盲目的搜索效率高的多，又比专门的针对特定问题的算法通用性强，它是一种于问题无关的求解模式。但是遗传算法又有很大的不确定性，以及过早的收敛性，所以可以和其他算法一起使用来对问题求解。

关键词：遗传算法；GA；实现；应用；改良

引言

1．1搜索法

人工智能问题广义地说，都可以看作是一个问题求解问题，在问题的求解过程中，人们所面临的大多数现实问题往往没有确定性的算法，通常需要用搜索算法来解决。搜索法是人工智能中问题的求解的根本方法，搜索法可大致分为有信息搜索和无信息搜索，约束满足问题和博弈问题的求解均可表述为搜索过程。搜索法的本质是再状态空间中从问题的初始状态搜索到通向目标状态的路径。当前的智能搜索算法本质上也是搜索法，如遗传算法、蚁群算法、神经网络等。

一般搜索可以根据是否使用启发式信息分为盲目搜素和启发式搜索，也可以根据问题的表示方式分为状态空间搜索和与/或树搜索。

盲目搜索一般是指从当前状态到目标状态需要走多少步或者并不知道每条路径的花费，所能做的只是可以区分出哪个是目标状态。

启发式搜索时在搜索过程中参加了与问题有关的启发式信息，用于指导搜索朝着最有希望的方向前进，加速问题的求解并找到最优解。

很显然盲目搜索不如启发式搜索效率高，但是由于启发式搜索需要和问题本身特性有关的信息而对很多问题这些信息很少，或者根本就没有，或者很难抽取，所以盲目搜索仍然是很重要的搜索策略。

1.2遗传算法

进化计算〔EvolutionaryComputation，EC〕是在达尔文的进化论和孟德尔的遗传变异理论的根底上产生的一种在基因和种群层次上模拟自然界生物进化过程与机制的问题求解技术。它主要包括

遗传算法〔GeneticAlgorithm，GA〕

进化策略〔EvolutionaryStrategy,ES〕

进化规划〔EvolutionaryProgramming,EP〕

遗传规划〔GeneticProgramming,GP〕

它将生物进化过程中的繁殖〔Reproduction〕变异〔Mutation〕竞争〔Competition〕选择〔Selection〕引入到了算法中。从而诞生了遗传算法。

遗传算法(GeneticAlgorithms，GA)

2.1遗传算法的根本概念

2.1.1遗传算法的由来

生物的进化是一个奇妙的优化过程，它通过选择淘汰，突然变异，基因遗传等规律产生适应环境变化的优良物种。自然界生物进化过程是进化计算的生物学根底，它主要包括遗传(Heredity)、变异(Mutation)和进化(Evolution)理论。

遗传算法是根据生物进化思想而启发得出的一种全局优化算法。遗传算法的概念最早是由BagleyJ.D在1967年提出的；而开始遗传算法的理论和方法的系统性研究的是1975年，这一开创性工作是由Michigan大学的J.H.Holland所实行。当时，其主要目的是说明自然和人工系统的自适应过程。遗传算法的根本思想是基于Darwin进化论和Mendel的遗传学说的。

Darwin进化论最重要的是适者生存原理。它认为每一物种在开展中越来越适应环境。物种每个个体的根本特征由后代所继承，但后代又会产生一些异于父代的新变化。在环境变化时，只有那些能