遗传算法简介

把计算机科学与进化论结合起来的尝试始于50年代末，但由于缺乏一种通用的编码方案
，人们只能依赖变异而非交配来产生新的基因结构，故而收效甚微。到60年代中期，美
国Michigan大学的John Hol－land在A．S．Fraser和H．J．Bremermann等人工作的基础
上提出了位串编码技术。这种编码既适于变异操作，又适于交配（即杂交）操作，并且
强调将交配作为主要的遗传操作。随后，Holland将该算法用于自然和人工系统的自适应
行为的研究中，并于1975年出版了其开创性著作“Adaptation in Natural
andArtificialSystems”．之后，Holland等人将该算法加以推广，应用到优化及机器学
习等问题中，并正式定名为遗传算法。遗传算法的通用编码技术和简单有效的遗传操作
为其广泛、成功的应用奠定了基础。
　　Holland的遗传算法常被称为简单遗传算法（SGA），其操作对象是一群二进制串（
称为染色体、个体），即种群（population）。在此，每个染色体都对应问题的一个解
。从初始种群出发，采用基于适应值比例的选择策略在当前种群中选择个体，使用杂交
和变异来产生下一代种群。如此一代代演化下去，直到满足期望的终止条件。需要指出
的是，目前的遗传算法已不再局限于二进制编码。Z．Michalewicz将不同的编码策略（
即不同的数据结构）与遗传算法的结合称为演化程序（Evolution Program）。

    典型的遗传算法的核心过程可以如下描述为：

　　｛ 

      随机初始化种群P（0）＝｛x1，x2，－，xn｝，t：＝0；

      计算P（0）中个体的适应度；

      while（不满足终止条件）do　

    ｛　　　　　
            根据个体的适应度以及选择策略，计算种群内个体的选择概率pi；

    根据pi从中选择N1（≤N）个个体进行遗传操作（复制、杂交及变异等），用N1个后
代换掉P（t）中N1个较差的个体，生成新种群P（t＋1）；

    计算P（t＋1）中个体的适应度，t＝t＋1；

          ｝　
    ｝
　　关于遗传算法的有关基本理论和有关算法中的一些过程的意义（如：复制过程，杂
交过程等）和一些具体的名词（如：变异率等）以及各参数的选取方法，请参阅文献［6
～8］。
　　遗传算法本身即是一种全局随机搜索方法，可以采用一定的方式来设计遗传算法以
保证其收敛到全局最优解。这样可以克服基于迭代原理的各种数值方法对适用问题的局
限以及无法保证可以收敛到全局最优解的缺点。对于需要进行全局优化和难于进行解析
处理的问题，遗传算法通常能够发挥其优势。