智能优化算法——遗传算法[1]

目录

1 引入

2 遗传算法

2.1 遗传算法的基本概念

2.2 遗传算法的特点 

2.3 程序框图 

3 Python代码实现 

3.1 源代码实现

3.2 遗传算法包sko.GA 

3.2.1 案例1

3.2.2 案例2

4 参考 

---

1 引入

       遗传算法(Genetic Algorithm,GA)是模拟生物在自然环境中的遗传和进化过程而形成的自适应全局优化搜索算法。它最早由美国的J.H.Holland教授提出,起源于20世纪60年代对自然和人工自适应系统的研究;70年代，K.A.De Jong基于遗传算法的思想，在计算机上进行了大量的纯数值函数优化计算试验80年代，遗传算法由D.J.Goldberg在一系列研究工作的基础上归纳总结而成。遗传算法是通过模仿自然界生物进化机制而发展起来的随机全局搜索和优化方法。它借鉴了达尔文的进化论和孟德尔的遗传学说，本质上是一种并行、高效、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最优解。遗传算法操作:使用“适者生存”的原则，在潜在的解决方案种群中逐次产生一个近似最优的方案。在每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择,产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原个体更能适应环境。

       自然选择学说认为适者生存，生物要存活下去，就必须进行生存斗争。生存斗争包括种内斗争、种间斗争以及生物跟环境之间的斗争三个方面。在生存斗争中，具有有利变异的个体容易存活下来,并且有更多的机会将有利变异传给后代;具有不利变异的个体就容易被淘汰，产生后代的机会也将少得多。因此，凡是在生存斗争中获胜的个体都是对环境适应性比较强的个体。达尔文把这种在生存斗争中适者生存、不适者淘汰的过程叫作自然选择。达尔文的自然