遗传算法简介

     遗传算法GA(Genetic Algorithms)，是在1962年由美国Michigan大学的Holland教授提出来的模拟自然界遗传机制和生物进化论而成的一种并行随机搜索的最优化方法。以达尔文的自然选择学说为基础发展起来的一种算法就是遗传算法。

目前遗传算法主要应用于以下几个领域。

（1）函数优化问题。对函数进行优化是遗传算法的经典应用范畴，尤其是面对非线性、多模型、多对象的函数优化问题，遗传算法的优点会得到展现。

（2）组合优化。比如图形划分问题，旅行商问题，背包问题等。

（3）生产调度问题。遗传算法在单价生产的车间调度、流水线生产车间调度、生产规划和任务分配等领域都得到了有效应用，也是处理复杂调度问题的有效方法，

（4）自动控制。在自动控制领域也有很多问题需要进行处理，遗传算法是很好的解决方式，比如基于遗传算法的神经网络优化问题，基于遗传算法的自适应鲁棒控制技术，还有控制器的参数问题等等。

遗传算法的优点为以下几个方面。

1. 遗传算法借鉴生物界的染色体和基因组概念。对参数的编码直接进行操作，并非参数的本身。

（2）遗传算法可以同时对多个搜索点进行信息搜索。从由很多个体组成的一个初始种群开始最优解的搜索过程而不是从单一个体开始的的搜索。

（3）遗传算法不需要目标函数的导数及其他辅助信息，直接以目标函数本身作为搜索的基础信息。

（4）遗传算法本质上是一种概率性的搜索技术。遗传算法的搜索过程具有非常好的灵敏度，这是因为遗传算法的选择、交叉、变异等运算都是概率性的的方式进行，不是肯定性的简单运算。

 遗传算法在优化参数形成的编码串联群体中将优胜劣汰，适者生存的生物进化原理引入了进来，通过所选择的适配函数将遗传算法的中的复制、交叉和变异对个体进行筛选，从而得到适配值高的个体，经过选择的个体和个体又组成了新的群体，新的群体不仅继承了上一代的信息，还又优于上一代。周而复始的进行操作，当满足一定的条件后，可以得到最优解。

遗传算法的步骤如下：