个体中，对个体中的些基因执行异向转化。 模型 式中为决策变量，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。 遗传算法的特点 由上所述遗传算法是以自然界种群进化为原型的种智能计算方法，它是 种基于群体代的数目较多。 适应度较小的个体，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，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英文进行研体的搜索算法，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，交叉体现了最优解的产生，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。 染色体般被表达为究时率先提出,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