遗传算法概述

遗传算法（Genetic Algorithm, GA）是一种模拟生物进化过程的启发式优化算法，其核心思想是通过模拟自然选择、遗传和变异的机制，逐步优化候选解以解决复杂问题。以下是其主要思想及一些经典遗传算法的分类介绍：

---

一、遗传算法的主要思想

1. 种群进化
   算法维护一个由多个个体（候选解）组成的种群，每个个体通过编码（如二进制、实数等）表示问题的潜在解。

2. 适应度评价
   通过适应度函数（目标函数）衡量个体的优劣，适应度越高，个体被保留的概率越大。

3. 选择（Selection）
   根据适应度从当前种群中选择优秀个体作为父代，常用方法包括轮盘赌选择、锦标赛选择等。

4. 交叉（Crossover）
   模拟基因重组，两个父代个体交换部分编码生成新个体（子代）。例如单点交叉、多点交叉等。

5. 变异（Mutation）
   以一定概率随机改变个体的部分编码，增加种群多样性，避免陷入局部最优。

6. 迭代更新
   通过多代选择、交叉和变异，种群逐渐进化，最终收敛到近似最优解。

---

二、经典遗传算法分类

1. 基本遗传算法（Simple GA, SGA）

• 特点：最早的遗传算法模型，使用二进制编码、轮盘赌选择、单点交叉和单点变异。
• 应用：适用于简单的组合优化问题，如函数极值求解。
• 局限：易陷入局部最优，收敛速度较慢。

---

2. 自适应遗传算法（Adaptive GA, AGA）

• 改进点：动态调整交叉概率（(P_c)）和变异概率（(P_m)），根据种群适应度自动平衡全局搜索与局部开发。
  • 适应度高时降低 (P_c) 和 (P_m)，避免破坏优秀解；
  • 适应度低时提高 (P_c) 和 (P_m)，增强多样性。
• 优势：提升收敛速度，减少参数调优难度。

---

3. 混合遗传算法（Hybrid GA, HGA）

• 改进点：结合局部搜索算法（如梯度下降、模拟退火）或其他启发式算法，弥补GA局部搜索能力不足的问题。
• 典型应用：
  • GA+梯度下降：用于连续优化问题。
  • GA+禁忌搜索：解决旅行商问题（TSP）等组合优化。

---

4. 多目标遗传算法（NSGA-II）

• 改进点：针对多目标优化问题（多个目标函数需同时优化），采用非支配排序和拥挤度比较策略。
  • 非支配排序：将解按优劣分层，优先保留高质量解。
  • 拥挤度：维持解在目标空间的分布多样性。
• 优势：高效处理Pareto前沿，广泛用于工程设计和资源分配。

---

5. 并行遗传算法（Parallel GA, PGA）

• 改进点：将种群划分为多个子群，分别独立进化并定期迁移优秀个体，加速全局搜索。
• 实现方式：
  • 主从式：中央节点管理全局信息。
  • 岛屿模型：子群间通过迁移交换个体。
• 应用：大规模复杂优化问题（如神经网络训练）。

---

6. 协同遗传算法（Cooperative GA, CGA）

• 改进点：将问题分解为子问题，多个子种群协同进化，通过信息共享提升整体性能。
• 典型应用：分布式优化、多机器人路径规划。

---

7. 实数编码遗传算法（Real-coded GA, RCGA）

• 改进点：直接使用实数编码（而非二进制），更适合连续空间优化。
• 操作改进：
  • 交叉：算术交叉、模拟二进制交叉（SBX）。
  • 变异：高斯变异、均匀变异。
• 应用：参数优化、机器学习超参数调优。

---

8. 分布估计算法（Estimation of Distribution Algorithm, EDA）

• 改进点：用概率模型代替交叉和变异，通过统计学习生成新个体。
• 典型模型：高斯模型、贝叶斯网络。
• 优势：避免手动设计遗传操作，适用于高维复杂问题。

---

三、总结

遗传算法的核心优势在于全局搜索能力和对复杂问题的适应性，但需根据具体问题选择合适的变种：

• 简单问题：基本GA或自适应GA。
• 多目标优化：NSGA-II。
• 高维连续问题：实数编码GA或混合GA。
• 大规模并行：岛屿模型并行GA。

实际应用中常结合问题特性调整编码方式、遗传操作和参数设置，以提升算法性能。