1、“.....为目标函数式，式为约束条件，是基本空间， 是的子集。满足约束条件的解称为可行解，集合表示所有满足约束 条件的解所组成的集合，称为可行解集合。 遗传算法的基本运算过程如下 初始化设置进化代数计数器，设置最大进化代数，随机生成个个 体作为初始群体。 个体评价计算群体中各个个体的适应度。 选择运算将选择算子作用于群体。选择的目的是把优化的个体直接遗传 到下代或通过配对交叉产生新的个体再遗传到下代。选择操作是建立在 群体中个体的适应度评估基础上的。 交叉运算将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分 结构加以替换重组而生成新个体的操作。遗传算法中起核心作用的就是交叉 算子。 变异运算将变异算子作用于群体。即是对群体中的个体串的些基因座 上的基因值作变动。 群体经过选择交叉变异运算之后得到下代群体。 终止条件判断若,则以进化过程中所得到的具有最大适应度个体作为 最优解输出，终止计算......”。

2、“.....它是 种基于群体的搜索算法，在具体的搜索过程当中，遗传算法具有以下特点 遗传算法从问题解的中集开始嫂索，而不是从单个解开始。 这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭 代求最优解的容易误入局部最优解。遗传算法从串集开始搜索，复盖面大，利 于全局择优。 遗传算法求解时使用特定问题的信息极少，容易形成通用算法程序。 由于遗传算法使用适应值这信息进行搜索，并不需要问题导数等与问题直 接相关的信息。遗传算法只需适应值和串编码等通用信息，故几乎可处理任何问 题。 遗传算法有极强的容错能力 遗传算法的初始串集本身就带有大量与最优解甚远的信息通过选择交叉 变异操作能迅速排除与最优解相差极大的串这是个强烈的滤波过程并且是 个并行滤波机制。故而，遗传算法有很高的容错能力。 遗传算法中的选择交叉和变异都是随机操作，而不是确定的精确规则。 这说明遗传算法是采用随机方法进行最优解搜索，选择体现了向最优解迫 近......”。

3、“.....变异体现了全局最优解的复盖。 遗传算法具有隐含的并行性。 遗传算法的基本原理 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......”。

4、“..... 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......”。

5、“.....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......”。

6、“.....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。 先随机生成定数目的个体，然后从中挑出最好的个体加到初始群体中。 这种过程不断迭代，直到初始群体中个体数达到了预先确定的规模。 遗传算法的步骤和意义 初始化 选择个群体，即选择个串或个体的集合，。这个初始 的群体也就是问题假设解的集合。般取。通常以随机方法产生串或 个体的集合，。问题的最优解将通过这些初始假设解进化而求 出。 选择 根据适者生存原则选择下代的个体。在选择时，以适应度为选择原则。适 应度准则体现了适者生存，不适应者淘汰的自然法则。 给出目标函数，则称为个体的适应度。以 为选中为下代个体的次数。 显然从式可知 适应度较高的个体，繁殖下代的数目较多......”。

7、“.....繁殖下代的数目较少甚至被淘汰。 这样，就产生了对环境适应能力较强的后代。对于问题求解角度来讲，就是选择 出和最优解较接近的中间解。 交叉 对于选中用于繁殖下代的个体，随机地选择两个个体的相同位置，按交叉 概率。在选中的位置实行交换。这个过程反映了随机信息交换目的在于产生 新的基因组合，也即产生新的个体。交叉时，可实行单点交叉或多点交叉。 目录 遗传算法的定义和起源 遗传算法的特点 遗传算法的基本原理 遗传算法的基本流程 遗传算法的步骤和意义 遗传算法的收敛性 遗传算法的现状 遗传算法的展望 遗传算法的特点 遗传算法的适用问题和应用领域 遗传算法在神经网络中的应用 遗传算法的相关技术 参考文献 遗传算法综述 遗传算法的定义和起源 遗传算法是模拟达尔文生物进化论的自然选择 和遗传学机理的生物进化过程的计算模型，是种通过模拟自然进化过程搜 索最优解的方法......”。

8、“.....并 于年出版了颇有影响的专著 ，这个名称才逐渐为人所知，约翰•霍兰德教授所提出的通 常为简单遗传算法。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。 遗传算法是从代表问题可能潜在的解集的个种群开始 的，而个种群则由经过基因编码的定数目的个体 组成。每个个体实际上是染色体带有特征的实体。染色体作为 遗传物质的主要载体，即多个基因的集合，其内部表现即基因型是种 基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中 控制这特征的种基因组合决定的。因此......”。

9、“.....由于仿照基因编码的工作很复杂，我们往往进行 简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理， 逐代演化产生出越来越好的近似解，在每代，根据问题域 中个体的适应度大小选择个体，并借助于自然遗 传学的遗传算子进行组合交叉和变异 ，产生出代表新的解集的种群。这个过程将导致种群像自然进 化样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解 码，可以作为问题近似最优解。 遗传算法是借鉴生物界的进化规律适者生存，优胜劣汰遗传机制演 化而来的。其主要特点是直接对结构对象进行操作，不存在求导和函数连续 性的限定具有内在的隐并行性和更好的全局寻优能力采用概率化的寻优 方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要 确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化机器 学习信号处理自适应控制和人工生命等领域。它是现代有关智能计算中 的关键技术......”。