毕业论文：遗传算法综述

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。

般终止条件有以下几种•进化次数限制•计算耗费的资源限制例如计算时间计算占用的内存等•个个体已经满足最优值的条件，即最优值已经找到•适应度已经达到饱和，继续进化不会产生适应度更好的个体•人为干预•以及以上两种或更多种的组合。

长度为的个二进制串„，组成了遗传算法的初解群，也称为初始群体。

在每个串中，每个二进制位就是个体染色体的基因。

根据进化术语，对群体执行的操作有三种选择这是从群体中选择出较适应环境的个体。

这些选中的个体用于繁殖下代。

故有时也称这操作为再生。

由于在选择用于繁殖下代的个体时，是根据个体对环境的适应度而决定其繁殖量的，故而有时也称为非均匀再生。

交叉这是在选中用于繁殖下代的个体中，对两个不同的个体的相同位置的基因进行交换，从而产生新的个体。

变异这是在选中的个体中，对个体中的些基因执行异向转化。

在串中，如果位基因为，产生变异时就是把它变成反亦反之。

遗传算法的原理可以简要给出如下这里所指的种结束准则般是指个体的适应度达到给定的阀值或者个体的适应度的变化率为零。

遗传算法的基本流程的流程图的流程图如下图所示编码遗传算法不能直接处理问题空间的参数，必须把它们转换成遗传空间的由基因按定结构组成的染色体或个体。

这转换操作就叫做编码，也可以称作问题的表示。

评估编码策略常采用以下个规范完备性问题空间中的所有点候选解都能作为空间中的点染色体表现。

健全性空间中的染色体能对应所有问题空间中的候选解。

非冗余性染色体和候选解对应。

目前的几种常用的编码技术有二进制编码，浮点数编码，字符编码，变成编码等。

而二进值编码是目前遗传算法中最常用的编码方法。

即是由二进值字符集，产生通常的，字符串来表示问题空间的候选解。

它具有以下特点简单易行符合最小字符集编码原则便于用模式定理进行分析，因为模式定理就是以基础的。

适应度函数进化论中的适应度，是表示个体对环境的适应能力，也表示该个体繁殖后代的能力。

遗传算法的适应度函数也叫评价函数，是用来判断群体中的个体的优劣程度的指标，它是根据所求问题的目标函数来进行评估的。

遗传算法在搜索进化过程中般不需要其他外部信息，仅用评估函数来评估个体或解的优劣，并作为以后遗传操作的依据。

由于遗传算法中，适应度函数要比较排序并在此基础上计算选择概率，所以适应度函数的值要取正值由此可见，在不少场合，将目标函数映射成求最大值形式且函数值非负的适应度函数是必要的。

适应度函数的设计主要满足以下条件单值连续非负最大化合理致性计算量小通用性强。

在具体应用中，适应度函数的设计要结合求解问题本身的要求而定。

适应度函数设计直接影响到遗传算法的性能。

初始群体的选取遗传算法中初始群体中的个体是随机产生的。

般来讲，初始群体的设定可采取如下的策略根据问题固有知识，设法把握最优解所占空间在整个问题空间中的分布范围，然后，在此分布范围内设定初始群体。

十分重要的。

四是遗传算法和另个称为人工生命的崭新研究领域正不断渗透。

所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥定的作用，五是遗传算法和进化规划，以及进化策略，等进化计算理论日益结合。

和几乎是和遗传算法同时发展起来的，同遗传算法样，它们也是模拟自然界生物进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。

目前，这三者之间的比较研究和彼此结合的探讨正形成热点。

年在他的论文中提出了基于领域交叉的交叉算子，这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了问题中，通过实验对其进行了验证。

等提出了随即迭代遗传爬山法，采用了种复杂的概率选举机制，此机制中由个投票者来共同决定新个体的值表示群体的大小。

实验结果表明，与单点交叉均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，比现存的许多算法在求解速度方面更有竞争力。

和将遗传算法与单方法结合起来，形成了种叫单操作的多亲交叉算子，该算子在根据两个母体以及个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果致。

同时，文献还将三者交叉算子与点交叉均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。

国内也有不少的专家和学者对遗传算法的交叉算子进行改进。

年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，提出了种用基因块编码的并行遗传算法，。

该方法以粗粒度并行遗传算法为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下轮以相同方式演化的初始群体。

年，江雷等针对并行遗传算法求解问题，探讨了使用弹性策略来维持群体的多样性，使得算法跨过局部收敛的障碍，向全局最优解方向进化。

遗传算法的展望遗传算法作为种对生物进化现象进行仿真的程序，取得了人工遗传的模拟效果，具有自适应性。

在遗传算法的结构中遗传操作和选择机制是两个重要的因素，其联系可用遗传算法遗传操作选择过程这个逻辑关系来表示。

如果个应用问题不能求得目标函数的全局最优值，而只能或只希望求定意义下的满意解，这时，可供选择的方法之自然是遗传算法，因为遗传算法比其他算法有更多的优势。

可喜的是，近年来遗传算法在商业应用方面取得了系列重要成果。

遗传算法的商业应用五花八门，覆盖面甚广，比如通用电器公司的计算机辅助设计系统，这是个采用了遗传算法以及其他传统的优化技术做为寻优手段的混合系统。

已成功地应用于汽轮机设计，并改善了新的波音发动机的性能，这是目前正在研究和应用的个重要方面。

遗传算法具有隐并行性，它可容易改造成为并行分布式算法，用来解决那些复杂性问题。

到目前，遗传算法的理论机制仍不是很清楚，这可能和生命科学的研究样，将是个永恒的研究课题。

遗传算法的适用问题和应用领域适用问题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。

应用领域工业工程与运作管理物流系统设计生产调度制造系统控制系统优化设计汽车设计，包括材料选择多目标汽车组件设计减轻重量等。

机电系统设计。

分布计算机网络的拓扑结构。

电路设计，此类用途的遗传算法叫做进化电路。

电子游戏设计，例如计算平衡解决方案。

机器智能设计和机器人学习。

模糊控制系统的训练。

移动通讯优化结构。

时间表安排，例如为个大学安排不冲突的课程时间表。

旅行推销员问题。

神经网络的训练，也叫做神经进化。

遗传算法在神经网络中的应用遗传算法在神经网络中的应用主要反映在个方面网络的学习，网络的结构设计，网络的分析。

遗传算法在网络学习中的应用在神经网络中，遗传算法可用于网络的学习。

这时，它在两个方面起作用学习规则的优化用遗传算法对神经网络学习规则实现自动优化，从而提高学习速率。

网络权系数的优化用遗传算法的全局优化及隐含并行性的特点提高权系数优化速度。

遗传算法在网络设计中的应用用遗传算法设计个优秀的神经网络结构，首先是要解决网络结构的编码问题然后才能以选择交叉变异操作得出最优结构。

编码方法主要有下列种直接编码法这是把神经网络结构直接用二进制串表示，在遗传算法中，染色体实质上和神经网络是种映射关系。

通过对染色体的优化就实现了对网络的优化。

参数化编码法参数化编码采用的编码较为抽象，编码包括网络层数每层神经元数各层互连方式等信息。

般对进化后的优化染色体进行分析，然后产生网络的结构。

繁衍生长法这种方法不是在染色体中直接编码神经网络的结构，而是把些简单的生长语法规则编码入染色体中然后，由遗传算法对这些生长语法规则不断进行改变，最后生成适合所解的问题的神经网络。

这种方法与自然界生物地生长进化相致。

遗传算法在网络分析中的应用遗传算法可用于分析神经网络。

神经网络由于有分布存储等特点，般难以从其拓扑结构直接理解其功能。

遗传算法可对神经网络进行功能分析，性质分析，状态分析。

遗传算法虽然可以在多种领域都有实际应用，并且也展示了它潜力和宽广前景但是，遗传算法还有大量的问题需要研究，目前也还有各种不足。

首先，在变量多，取值范围大或无给定范围时，收敛速度下降其次，可找到最优解附近，但无法精确确定最扰解位置最后，遗传算法的参数选择尚未有定量方法。

对遗传算法，还需要进步研究其数学基础理论还需要在理论上证明它与其它优化技术的优劣及原因还需研究硬件化的遗传算法以及遗传算法的通用编程和形式等。

遗传算法的相关技术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