遺傳演算法基本原理

　　遺傳演算法是從代表問題可能潛在解集的一個種群開始的，而一個種群則由經過基因編碼的一定數量的個體組成。每個個體實際上是染色體帶有特徵的實體。作為多個基因的集合，單個染色體是遺傳物質的主要載體，其在種群中的命運由其基因組合決定。初始種群產生以後按照優勝劣汰、適者生存的原理，逐代演化產生出越來越好的近似解。在每一代，根據問題域中個體的適應度大小挑選個體，並藉助代表於自然遺傳學的遺傳運算元進行交叉和變異，產生出代表新的解集的種群。這個過程導致種群像自然進化一樣，後代種群比前代更加適應於環境，末代種群中最優個體經過解碼，可以作為問題的近似最優解。

　　遺傳演算法採納了自然進化模型，如選擇、交叉、遷移、局域與鄰域等。與傳統搜尋演算法不同，遺傳演算法是從一組隨機產生的初始解開始搜尋過程

生物遺傳與遺傳演算法概念比對

遺傳演算法的基本步驟

1. 確定參變數及其各種約束條件，即確定個體的表現形式和問題的解空間
2. 建立優化模型，即確定出求解問題的目標函式和數學描述形式及量化方法
3. 確定染色體的編碼方法，即確定個體的基因形式
4. 確定編碼方法，即確定出個體的基因形式到個體的表現形式的對應關係和轉化方式
5. 確定個體適應度的量化評價方法，即確定出目標函式值同個體適應度的轉化規則
6. 設計遺傳運算元，即確定出選擇運算元，交叉運算元和變異運算元的具體操作方法
7. 確定遺傳演算法的有關執行引數，即確定出遺傳演算法

遺傳演算法流程圖

遺傳演算法的特點

　　傳統的優化方法主要有三種：列舉法、啟發式演算法和搜尋演算法。隨著問題種類的不同以及問題規模的擴大，需要尋求一種能以有限的代價來解決搜尋和優化的通用方法，遺傳演算法正是為我們提供了一個有效的途徑，它不同於傳統的搜尋和優化方法。主要區別在於：

1.自組織、自適應和自學習性

2.遺傳演算法的本質並行性

3.遺傳演算法不需要求導或其他的輔助知識，而只需要影響搜尋方向的目標函式和相應的適應度函式

4.遺傳演算法強調概率轉換規，而不是確定的轉換規則

5.遺傳演算法可以更加直接的應用

6.遺傳演算法對給定的問題，可以產生許多的潛在解，最終可以由使用者確定

遺傳演算法的應用

　　遺傳演算法提供了一種求解複雜系統問題的通用框架，它不依賴於問題的具體領域，對問題的種類有很強的魯棒性，所以廣泛應用於很多科學。

1.函式優化

2.組合優化

3.自動控制

4.人工生命