遗传算法综述.docxVIP

PAGE4

遗传算法综述

摘要：遗传算法是一种全局优化的随机搜索算法，是解决复杂优化问题的有力工具。近年来，由于遗传算法求解复杂优化问题的巨大潜力及其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的基本原理和主要特点，概述了遗传算法的常见应用领域，讨论了遗传算法的基本步骤和存在的问题。

关键词：遗传算法适应度随机搜索

引言

遗传算法（GeneticAlgorithm，简称GA）是由美国Michigan大学的Holland教授于1969年提出，后经DeJong、Goldberg等人归纳总结所形成的一类模拟进化算法。它来源于达尔文的进化论、魏茨曼的物种选择学说和孟德尔的群体遗传学说，是生命科学与工程科学互相交叉、互相渗透的产物，其本质是模拟生物进化过程的一种随机搜索与全局优化算法。

目前，遗传算法广泛应用于自动控制、计算科学、模式识别、工程设计、智能故障诊断、管理科学和社会科学等领域，适用于解决复杂的非线性和多维空间寻优问题，如TSP(旅行商问题)、背包问题、排课问题等。

遗传算法理论

2.1遗传算法的基本术语

由于遗传算法是模拟生物进化过程的，因此有必要了解下面几个关于生物学的基本术语。

（1）染色体（chromosome）：生物细胞中含有的一种微小的丝状化合物，是遗传物质的主要载体，由多个基因组成。

（2）基因（gene)：DNA或RNA，长链结构中占有一定位置的基本遗传单位。

（3）个体（individual）：指染色体带有特征的实体，在问题简化的情况下可代表染色体。

（4）种群（population）：染色体带有特征的个体的集合称为种群，该集合内个体数称为群体的大小。有时个体的集合也称为个体群。

（5）进化（evolution）：生物在其延续生存的过程中，逐渐适应其生存环境，使得其品质不断得到改良，这种生命现象称为进化。生物的进化是以种群的形式进行的。

（6）适应度（fitness）：在研究自然界中生物的遗传和进化现象时，生物学家使用适应度这个术语来度量某个物种对于生存环境的适应程度。对生存环境适应度高的物种将获得更多的繁殖机会，而对生存环境适应程度较低的物种，其繁殖的机会就相对较少，甚至逐渐灭绝。

2.2遗传算法的基本原理

遗传算法是从一组随机产生的初始解开始搜索，按照适者生存和优胜劣汰的原理，通过交叉、变异和选择运算来实现的。其中，选择是指从种群中选择生命力强的染色体来产生新种群的过程，选择的依据是每个染色体的适应度大小,适应度越大,被选中的概率就越大；交叉运算是指两个相互配对的染色体按某种方式相互交换其部分基因，从而形成两个新的个体；变异就是以很小的概率,随机改变染色体某个位置上的基因。

根据适应度的大小，从上一代和后代中选择一定数量的个体作为下一代群体，再继续进化。这样经若干代之后，算法收敛于最好的染色体，它很可能就是问题的最优解或次优解。

2.3遗传算法的主要特点

遗传算法作为一种新型的、模拟生物进化过程的随机化搜索方法，不同于枚举法、启发式算法、搜索算法等传统的优化方法。它具有以下特点：

（1）自组织、自适应和自学习性。

（2）遗传算法的本质并行性。

（3）遗传算法不要求导或其他辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数。

（4）遗传算法强调概率转换规则，而不是确定的转换规则。

（5）遗传算法可以更加直接地应用。

（6）遗传算法对给定问题，可以产生许多的潜在解，最终选择可以由使用者确定。

基本步骤

遗传算法的基本步骤为：

Step1：随机产生一定数目的初始种群，每个个体表示为染色体的基因编码；

Step2：计算每个个体的适应度，并判断是否符合优化准则，若符合，输出最佳个体及其代表的最优解并结束计算，否则转向第3步；

Step3：依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰；

Step4：执行交叉和变异操作，生成新的个体；

Step5：得到新一代的种群，返回到第2步。

在遗传算法的具体实现过程中，优化参数需要事先确定,参数的选取对遗传算法的性能有重要影响。

（1)种群数量。群体规模影响遗传优化的最终结果以及遗传算法的执行效

遗传算法作为一种非确定性的模拟自然演化的学习过程的求解问题方法，在很多领域具有广泛的应用价值，尽管它在实际应用中取得了巨大成功,但其鲜明的生物特征,使得在数学基础方面相对不完善，有待于进一步研究、探讨和完善。可以预期，随着计算机技术的进步和生物学研究的深入，遗传算法在操作技术和方法上将更通用、更有效，遗传算法的前景值得期待。

参考文献

[1]马永,贾俊芳.遗传算法研究综述.山西大同大学学报(自然科学版),2007年12月,第23卷第3期.

[2]高颖.遗传算法综述.计算机光盘软件