1、一、遗传算法概述 二、遗传算法原理三、遗传算法的应用遗传算法原理与应用一、遗传算法概述1、 智能优化算法 2、 基本遗传算法 3、 遗传算法的特点 1、智能优化算法 智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适合于并行处理的算法。这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。 常用的智能优化算法 （ 1） 遗传算法 （ Genetic Algorithm， 简称 GA） （ 2） 模拟退火算法（ Simulated Annealing， 简称 SA） （ 3） 禁忌搜索算法（ Tabu Search， 简称
2、TS） 智能优化算法的特点它们的 共同特点 ：都是从任一解出发，按照某种机制，以一定的概率在整个求解空间中探索最优解。由于它们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。遗传算法起源 遗传算法是由美国的 J. Holland教授于1975年在他的专著 自然界和人工系统的适应性 中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法 。 遗传算法的搜索机制 遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子 (选择、交叉和变异 )对这些个体进行组合，产生新一代的候选解群，重
3、复此过程，直到满足某种收敛指标为止。 2、基本遗传算法基本遗传算法（ Simple Genetic Algorithms，简称 SGA，又称简单遗传算法或标准遗传算法），是由 Goldberg总结出的一种最基本的遗传算法，其遗传进化操作过程简单，容易理解，是其它一些遗传算法的雏形和基础。 生物群体 的生存过程普遍遵循达尔文的 物竞天择 、 适者生存 的进化准则；生物通过 个体间 的选择 、 交叉、变异 来适应大自然环境。 生物染色体 用数学方式或计算机方式来体现就是 一串数码 ，仍叫 染色体 ，有时也叫 个体 ； 适应能力用对应一个染色体的 数值 来衡量；染色体的选择或淘汰问题是按求 最大还是
4、最小问题 来进行。20世纪 60年代以来，如何模仿生物来建立功能强大的算法，进而将它们运用于复杂的优化问题，越来越成为一个研究热点。进化计算(evolutionary computation) 正是在这一背景下蕴育而生的。进化计算包括 遗传算法 (genetic algorithms， GA) ， 进化策略 (evolution strategies) 、 进化编程 (evolutionary programming) 和 遗传编程 (genetic programming)。遗传算法 是模仿 生物遗传学 和 自然选择机理 ，通过人工方式 构造的一类 优化搜索算法 ，是对生物进化过程 进行的一种 数学仿真 ，是进化计算的一种最重要形式。 霍兰德提出的遗传算法通常称为简单遗传算法（ SGA）。现以此作为讨论主要对象，加上适应的改进，来分析遗传算法的结构和机理。 1、编码与解码
