现象包括遗传突变自然选择以及杂交等。

遗传算法通常实现为种计算机模拟。

对于个最优化问题，定数量的候选解称为个体的抽象表示称为染色体的种群向更好的解进化。

传统上，解用二进制表示即和的串，但也可以用其他表示方法。

进化从完全随机个体的种群开始，之后代代发生。

在每代中，整个种群的适应度被评价，从当前种群中随机地选择多个个体基于它们的适应度，通过自然选择和突变产生新的生命种群，该种群在算法的下次迭代中成为当前种群。

在遗传算法里，优化问题的解被称为个体，它表示为个参数列表，叫做染色体或者基因串。

染色体般被表达为简单的字符串或数字串，不过也有其他的表示方法适用，这过程称为编码。

开始，算法随机生成定数量的个体，有时候操作者也可以对这个随机产生过程进行干预，播下已经部分优化的种子。

在每代中，每个个体都被评价，并通过计算适应度函数得到个适应度数值。

种群中的个体被按照适应度排序，适应度高的在前面。

这里的高是相对于初始的种群的低适应度来说的。

下步是产生下代个体并组成种群。

这个过程是通过选择和繁殖完成的，其中繁殖包括交配和突变。

选择则是根据新个体的适应度进行的，适应度越高，被选择的机会越高，而适应度低的，被选择的机会就低。

初始的数据可以通过这样的选择过程组成个相对优化的群体。

之后，被选择的个体进入交配过程。

般的遗传算法都有个交配概率，范围般是，这个交配概率反映两个被选中的个体进行交配的概率。

例如，交配概率为，则的夫妻会生育后代。

每两个个体通过交配产生两个新个体，代替原来的老个体，而不交配的个体则保持不变。

交配父母的染色体相互交换，从而产生两个新的染色体，第个个体前半段是父亲的染色体，后半段是母亲的，第二个个体则正好相反。

不过这里的半段并不是真正的半，这个位置叫做交配点，也是随机产生的，可以是染色体的任意位置。

再下步是突变，通过突变产生新的子个体。

般遗传算法都有个固定的突变常数，通常是或者更小，这代表变异发生的概率。

根据这个概率，新个体的染色体随机的突变，通常就是改变染色体的个字节变到，或者变到。

经过这系列的过程选择交配和突变，产生的新代个体不同于初始的代，并代代向增加整体适应度的方向发展，因为最好的个体总是更多的被选择去产生下代，而适应度低的个体逐渐被淘汰掉。

这样的过程不断的重复每个个体被评价，计算出适应度，两个个体交配，然后突变，产生第三代。

周而复始，直到终止条件满足为止。

遗传程序是约翰与遗传算法相关的个技术，在遗传程序中，并不是参数优化，而是计算机程序优化。

遗传程序般采用树型结构表示计算机程序用于进化，而不是遗传算法中的列表或者数组。

般来说，遗传程序比遗传算法慢，但同时也可以解决些遗传算法解决不了的问题。

交互式遗传算法是利用人工评价进行操作的遗传算法，般用于适应度函数无法得到的情况，例如，对于图像音乐艺术的设计和优化，或者对运动员的训练等。

模拟退火是解决全局优化问题的另个可能选择。

它是通过个解在搜索空间的随机变动寻找最优点的方法如果阶段的随机变动增加适应度，则总是被接受，而降低适应度的随机变动根据定的概率被有选择的接受。

这个概率由当时的退火温度和适应度恶化的程度决定，而退火温度按定速度降低。

从模拟退火算法看，最优化问题的解是通过寻找最小能量点找到的，而不是寻找最佳适应点找到的。

模拟退火也可以用于标准遗传算法里，只要把突变率随时间逐渐降低就可以了。

遗传算法擅长解决的问题是全局最优化问题，例如，解决时间表安排问题就是它的个特长，很多安排时间表的软件都使用遗传算法，遗传算法还经常被用于解决实际工程问题。

跟传统的爬山算法相比，遗传算法能够跳出局部最优而找到全局最优点。

而且遗传算法允许使用非常复杂的适应度函数或者叫做目标函数，并对变量的变化范围可以加以限制。

而如果是传统的爬山算法，对变量范围进行限制意味着复杂的多的解决过程，这方面的介绍可以参看受限优化问题和非受限优化问题。

遗传算法由密歇根大学的约翰霍兰德和他的同事于二十世纪六十年代在对细胞自动机进行研究时率先提出。

在二十世纪八十年代中期之前，对于遗传算法的研究还仅仅限于理论方面，直到在伊利诺伊大学召开了第届世界遗传算法大会。

随着计算机计算能力的发展和实际应用需求的增多，遗传算法逐渐进入实际应用阶段。

年，纽约时报作者约翰马科夫写了篇文章描述第个商业用途的遗传算法进化者英文。

之后，越来越多种类的遗传算法出现并被用于许多领域中，财富杂志强企业中大多数都用它进行时间表安排数据分析未来趋势预测预算以及解决很多其他组合优化问题。

论文的主要内容本文评估了供应船的最优化控制结构的基因编程实施方法。

基因编程用于部署船的控制策略。

在水水池实验室中，优化控制器通过计算机模拟和真实它们同解决方法中的代表数值的遗传算法近似定长染色体联系在起，虽然它们也许或者不是实际存在的基因树。

染色体与树起演变和不断向高级进化。

这种方法的主要问题是定长染色体的确定可以在树中找到数字常数的最大数值。

这要求用演绎知识来进行解答。

并且，如果染色体被看做是非常长的，占用任何另外的常数染色体的长度，则会增加解决为题所需要的计算费用。

在这项工作中，被测试的第二种基因编程算法使用基因算法作为种参数优化技术。

目标是将基因编程和基因算法结合起来，提供个更好的方法来调整参量和获得更好的结果。

将基因编程和基因算法结合起来所使用的方法是基本上与先前提出的机制不同。

基因编程树和它们起演变，而不是同遗传算法的染色体联系在起，将基因编程和遗传算法结合起来与遗传算法学习进程结合构成了基因编程的演变过程。

也就是说，在树被评估的时候微型遗传算法在当前的那棵基因树上选择优选数字常数的数值。

这种方法得到的数字常数的最大数值在树上不需要被固定，并且仅仅在树上输入那些常数，以及染色体的大小。

当将基因编程和遗传算法结合起来使用进行编码时，被评估的树在基因编程事例方面总数相同，以便提供个好的依据来进行比较。

树的数量在用于基因编程时的大约是，并且世代的数量是大约是。

为了得到评估的同基因编程的优化数量，有个个体数目，并且引领个世代。

每遗传算法中有个个体的数目，并且引领个世代。

结论及总结用于基因编程优化方法在潜在解决方法的评估中是双重步回旋标题的较好解决方法，这是在当速度从休息时的增加到再回到休息时的速度时的过程中得以实现的。

在每次优化时所得到的最佳的结果在优化以后被确认。

这个检验测试被用于核实当前的树实际上在使用正确的方式执行控制任务，不仅仅引起所产生的信号在实施中完全，另外还有很多其他的问题。

用于检验测试的回旋包括连接在起的两个回转圆。

这种回旋被海事安全委员会号决议推荐来进行船性能试验。

在实际的船测试中诞生了最佳的控制器。

在遗传算法优化过程中所得到的结果是非常令人满意的，实验过程中所得到的数据也能够说明采用遗传算法来设计的控制器在实际中的表现非常好。

虽然遗传算法与传统算法相结合所使用的成本费用比较低，但是遗传算法的实施与传统算法相比可以显著提高控制策略的水平。

两次测试所得到的最佳结果都是根据个图形为正切双曲线的函数来提供控制和比例限制的，从而进行推进力控制。

使用查寻方法所选择的终端数值作为双曲线函数的参数，从而在比例范围内获得最佳的结果。

因此，在推进力控制的情况下，因为子系统是次，双曲线正切提供个与浪涌速度相对应的结果即比例期限。

纵性测试被评估。

为了处理数字常数的世代问题，两种基因编程算法被实施。

第种方法选择必要的常数通过随机世代创造控制结构。

第二种算法包括这些常数的种最优化基因算法。

得到的结果表明使用基因算法可以优化船的推进力和航海控制器。

为了保证水面舰船的安全航行，它们的动力即航海和推进力必须被准确地控制。

这可以通过自动控制系统的设计和实施来达到。

控制技术的性能不仅取决于控制结构，而且取决于控制器的参数值。

按照常规，这些参数由设计者依靠种特别方法来手动调整，取决于设计者的经验。

对这个问题的种解决方法广泛应用在控制工程领域是使用新发展的优化技术例如基因算法来自动调整参数。

尽管如此，基因算法仍然是参量优化器，并且在大多数情况下不会改变优化主题的结构。

在控制器优化过程中，种特殊的控制结构方法被提出，同时参数随之变化从而达到系统的预期设计效果。

基因编程提出了潜在的解决方案，而无需指定先前的大小形状或者结构。

通过使用基因编程，寻找个近似最优控制器的优化问题可提前解决，因为不仅控制器的设计参数最优化，而且整个控制器的结构可以最优化。

用于这次研究的特殊应用是称为的石油平台供应船比例缩小模型。

基因编程的优化问题将提供为提供航行动力的控制策略。

基因编程最优控制结构通过将的数学模型在中进行计算机模拟来实现。

优化控制器在物理模型上实施并进行了测试。

为了处理数字常数的世代问题，实施了两种基因编程算法。

第种方法选择必要的常数通过随机世代创造控制结构。

第二种算法包括这些常数的种最优化基因算法。

两种方法得到的结果均被提出和比较。

二号网际船这次实验中的控制目标是，它是个石油平台供应船比例缩小模型比例大约。

这艘测试船是在挪威特隆赫姆市挪威科技大学的海洋控制论实验室被制作的。

是为测试船和水下潜艇的特定目的而建造的实验性实验室。

在真正的测试之前，为设计阶段的仿真使用了船的非线性水力模型。

这些是控制动力的输入参数。

为了创造个更加真实的环境，风引起的波浪被模拟出来。

这些是水上潜艇在测试期间遇到的最相关的干扰因素，并且它们在中实际上可以被再生产。

用于模仿船的波浪波动情形的模型源于艘规则海域上的空载船的所受到的作用力。

实现过程选择。

在这个研究中使用了比赛选择。

交差。

在这个工作中使用了子树交差，并且在比较各种各样的交差可能性和变化可能性的表现研究中选择交差的可能性是。

变异。

基因编程方法的树结构允许各种各样的变化运算符。