遗传算法概述

对于实际问题中的目标函数和约束条件种类繁多中的最优化问题，有的是线性的，有的是非线性的;有的是连续的，有的是离散的;有的是单峰值的，有的是多峰值的。随着研究的深入，人们逐渐认识到在很多复杂情况下要想完全精确地求出其最优解既不可能，也不现实，因而求出其近似最优解或满意解是人们的主要着眼点之一。总的来说，求最优解或近似最优解的方法主要有三种:枚举法、启发式算法和搜索算法。
（1）枚举法。枚举出可行解集合内的所有可行解，以求出精确最优解。对于连续函数，该方法要求先对其进行离散化处理，这样就有可能产生离散误差而永远达不到最优解。另外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前最先进的计算工具上都无法求解。
（2）启发式算法。寻求一种能产生可行解的启发式规则，以找到一个最优解或近似最优解。该方法的求解效率虽然比较高，但对每–个需要求解的问题都必须找出其特有的启发式规则，这个启发式规则无通用性，不适合于其他问题。
（3）搜索算法。寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优解或近似最优解。该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和求解效率上达到一种较好的平衡。

1、遗传算法概念
遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。
2、遗传算法的步骤
步骤一：初始化。设置进化代数计数器；设置最大进化代数；随机生成M个个体作为初始群体P(0)。
步骤二：个体评价。计算群体P(t)中各个个体的适应度。