遗传算法是计算机科学,遗传算法北京大学计算机科学技术研究所.pdf

遗传算法北京大学计算机科学技术研究所

遗传算法

 遗传算法是智能优化方法中应用最为广泛也最

为成功的算法

 介绍遗传算法的产生发展与基本原理

 讨论遗传算法的基本构成和模板理论

 介绍由不同编码方式、选择压力的调整、不同标定

方法等带来的各种变形算法

 介绍几个典型应用的例子

2

遗传算法

 遗传算法是智能优化方法中应用最为广泛也最

为成功的算法

 介绍遗传算法的产生发展与基本原理

 讨论遗传算法的基本构成和模板理论

 介绍由不同编码方式、选择压力的调整、不同标定

方法等带来的各种变形算法

 介绍几个典型应用的例子

3

概述

 遗传算法(Genetic Algorithms, 简称GA 或GAs)是由美国密

歇根大学的John H. Holland教授及其学生于20世纪60

年代末到70年代初提出的. 在1975年出版的 《自然与

人工系统的自适应性》(Adaptation in Natural and Artificial

Systems) 中, Holland 系统地阐述了遗传算法的基本理

论和方法, 提出了对遗传算法的理论发展极为重要的

模板理论(Schema Theory).

 后来De Jong和Goldberg等人做了大量的工作, 使遗传

算法更加完善.

4

概述

 近年来, 由于遗传箅法求解复杂优化问题的巨大潜力

及其在工业工程、人工智能、生物工程、自动控制等

各个领域的成功应用, 该算法得到了广泛的关注. 可以

说, 遗传算法是目前为止应用最为广泛和最为成功的

智能优化方法.

 生物在自然界中的生存繁衍, 显示了其对自然环境的

优异的自适应能力. 遗传算法所借鉴的生物学基础就

是生物的进化和遗传。

5

生物进化

 进化(Evolution): 生物在其延续生存的过程中, 逐渐适

应其生存环境, 使得其品质不断得到改良, 这种生命现

象称为进化.

 群体(Population): 生物的进化是以集团的形式共同进

行的, 这样的一个团体称为群体, 组成群体的单个生物

称为个体(Individual), 每个个体对其生存环境都有不同

的适应能力, 这种适应能力称为个体的适应度(Fitness).

6

生物进化

 按照达尔文的进化论, 那些具有较强适应环境变化能力

的生物个体具有更高的生存能力, 容易存话下来, 并有

较多的机会产生后代; 相反, 具有较低生存能力的个体

则被淘汰, 或者产生后代的机会越来越少, 直至消亡. 达

尔文把这一过程和现象叫做“自然选择, 适者生存”.

通过这种自然的选择, 物种将逐渐地向适应于生存环境

的方向进化, 从而产生优良的物种.

7

生物的遗传变异

 生物从其亲代继承特性或性状, 这种生命现象就