转载：遗传算法

转自http://www.cnblogs.com/jsjkandy/archive/2009/01/14/1375610.html

本文主要包括：

基本知识

应用实例

自适应遗传算法（算法改进）

注：本文内容全部源于互联网，由本人搜集整理而来。

一、遗传算法基本知识

遗传算法定义

遗传算法（ Genetic Algorithm ）是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它是有美国 Michigan 大学 J.Holland 教授于 1975 年首先提出来的，并出版了颇有影响的专著《 Adaptation in Natural and Artificial Systems 》， GA 这个名称才逐渐为人所知， J.Holland 教授所提出的 GA 通常为简单遗传算法（ SGA ）。

遗传算法是从代表问题可能潜在的解集的一个种群（ population ）开始的，而一个种群则由经过基因（ gene ）编码的一定数目的个体 (individual) 组成。每个个体实际上是染色体 (chromosome) 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）是某种基因组合，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一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。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（ generation ）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（ fitness ）大小选择（ selection ）个体，并借助于自然遗传学的遗传算子（ genetic operators ）进行组合交叉（ crossover ）和变异（ mutation ），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一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（ decoding ），可以作为问题近似最优解。

遗传算法特点　　

遗传算法是一类可用于复杂系统优化的具有鲁棒性的搜索算法，与传统的优化算法相比，主要有以下特点：

　　 1 、遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接决策变量的实际植本身，而遗传算法处理决策变量的某种编码形式，使得我们可以借鉴生物学中的染色体和基因的概念，可以模仿自然界生物的遗传和进化机理，也使得我们能够方便的应用遗传操作算子。

　　 2 、遗传算法直接以适应度作为搜索信息，无需导数等其它辅助信息。

　　 3 、遗传算法使用多个点的搜索信息，具有隐含并行性。

4 、遗传算法使用概率搜索技术，而非确定性规则。

遗传算法的应用

由于遗传算法的整体搜索策略和优化搜索方法在计算是不依赖于梯度信息或其它辅助知识，而只需要影响搜索方向的目标函数和相应的适应度函数，所以遗传算法提供了一种求解复杂系统问题的通用框架，它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性，所以广泛应用于许多科学，下面我们将介绍遗传算法的一些主要应用领域：

　　 1 、函数优化。

　　函数优化是遗传算法的经典应用领域，也是遗传算法进行性能评价的常用算例，许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高维函数、单峰函数和多峰函数等。对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果。

　　 2 、组合优化

　　随着问题规模的增大，组合优化问题的搜索空间也急剧增大，有时在目前的计算上用枚举法很难求出最优解。对这类复杂的问题，人们已经意识到应把主要精力放在寻求满意解上，而遗传算法是寻求这种满意解的最佳工具之一。实践证明，遗传算法对于组合优化中的 NP 问题非常有效。例如遗传算法已经在求解旅行商问题、背包问题、装箱问题、图形划分问题等方面得到成功的应用。

此外， GA 也在生产调度问题、自动控制、机器人学、图象处理、人工生命、遗传编码和机器学习等方面获得了广泛的运用