《遗传算法原理及应用》笔记—绪论

一、绪论

笔者最近在学习遗传算法，希望可以通过笔记对遗传算法做一个简要的介绍与记录。也欢迎小伙伴们一起学习交流。

---

1.1 遗传算法的生物学基础

遗传算法可以使得各种人工系统具有优良的自适应能力和优化能力。遗传算法所借鉴的生物学基础就是生物的遗传和进化。

1.2 遗传算法简介

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。

1.2.1 遗传算法概要

  对于一个求函数最大值的优化问题，一般可以描述为下述数学规划模型：
$$\{\begin{array}{rlrlrlrlr}max& & f(X)& & & & & & (1-1)\\ s.t.& & X\in R& & & & & & (1-2)\\ & & R\in U& & & & & & (1-3)\end{array}$$
在上式中，$X=[x_1,x_2,...,x_n{]}^T$为决策变量，f(X)为目标函数，式（1-2）(1-3)为约束条件，U是基本空间，R是U的一个子集。满足约束条件的解X称为可行解，集合R表示由所有满足约束条件的解所组成的一个集合，叫做可行解集合。
 随着研究深入，人们发现不可能在复杂情况下完全精确的求出最优解。总的来说有三种求最优解或者是近似最优解的办法：枚举法、启发式算法、搜索算法。
  但是，即使如此，以上三种方法仍然不够，而遗传算法为我们解决最优化问题提供了一个有效的途径和通用框架。
  遗传算法中，将n维决策向量$X=[x_1,x_2,...,x_n{]}^T$用n个记号&X_i(i=1,2,…,n)&所组成的符号串X来表示。把每一个$X_i$看作是一个遗传基因，那么它的所有可能取值称为等位基因，这样，X就可以看作是由n个遗传基因所组成的一个染色体。

  遗传算法是一个反复迭代的过程，第t代群体就记为P(t)，在生成P(t+1)代的时候，可以使用选择、交叉、变异的操作。

1.2.2 遗传算法的运算过程

最后，以进化过程中所得到的具有最大适应度的个体作为最优解输出，终止计算。

1.3 遗传算法的特点

遗传算法的是一类可用于复杂系统优化计算的鲁棒搜索算法，其特点：

1. 遗传算法以决策变量的编码作为运算对象
2. 遗传算法直接以目标函数值作为搜索信息
3. 遗传算法同时使用多个搜索点的搜索信息
4. 遗传算法使用概率搜索技术

1.4 遗传算法的发展

1.5 遗传算法的应用

遗传算法提供了一种求解复杂系统优化问题的通用框架，可以广泛应用于很多的学科。

1. 函数优化
2. 组合优化
3. 生产调度问题
4. 自动控制
5. 机器人学
6. 图像处理
7. 人工生命
8. 遗传编程
9. 机器学习

总结

这就是绪论的基本内容了，该部分我们对遗传算法有了一个较为基本的理解，算是入门了。