遗传算法基本理论及实例

目录

_

一、遗产算法的由来 (2)

二、遗传算法的国内外研究现状 (3)

三、遗传算法的特点 (5)

四、遗传算法的流程 (7)

五、遗传算法实例 (12)

六、遗传算法编程 (17)

七、总结 ......... 错误!未定义书签。附录一:运行程序 (19)

遗传算法基本理论与实例

一、遗产算法的由来

遗传算法(Genetic Algorithm,简称GA)起源于对生物系统所进行的计算机模拟研究。20世纪40年代以来,科学家不断努力从生物学中寻求用于计算科学与人工系统的新思想、新方法。很多学者对关于从生物进化与遗传的激励中开发出适合于现实世界复杂适应系统研究的计算技术——生物进化系统的计算模型,以及模拟进化过程的算法进行了长期的开拓性的探索与研究。John H、Holland 教授及其学生首先提出的遗传算法就就是一个重要的发展方向。

遗传算法借鉴了达尔文的进化论与孟德尔、摩根的遗传学说。按照达尔文的进化论,地球上的每一物种从诞生开始就进入了漫长的进化历程。生物种群从低级、简单的类型逐渐发展成为高级复杂的类型。各种生物要生存下去及必须进行生存斗争,包括同一种群内部的斗争、不同种群之间的斗争,以及生物与自然界无机环境之间的斗争。具有较强生存能力的生物个体容易存活下来,并有较多的机会产生后代;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。达尔文把这一过程与现象叫做“自然选择,适者生存”。按照孟德尔与摩根的遗传学理论,遗传物质就是作为一种指令密码封装在每个细胞中,并以基因的形式排列在染色体上,每个基因有特殊的位置并控制生物的某些特性。不同的基因组合产生的个体对环境的适应性不一样,通过基因杂交与突变可以产生对环境适应性强的后代。经过优胜劣汰的自然选择,适应度值高的基因结构就得以保存下来,从而逐渐形成了经典的遗传学染色体理论,揭示了遗传与变异的基本

规律。

遗传算法由美国的John H、Holland教授1975年首先提出,其主要特点就是直接对结构对象进行操作,不存在求导与函数连续性的限定;具有内在的隐并行性与更好的全局寻优能力;采用概率化的寻优方法,能自动获取与指导优化的搜索空间,自适应地调整搜索方向,不需要确定的规则。遗传算法的这些性质,已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制与人工生命等领域。它就是现代有关智能计算中的关键技术。

二、遗传算法的国内外研究现状

遗传算法的鼻祖就是美国Michigan大学的Holland教授及其学生。她们受到生物模拟技术的启发,创造了一种基于生物遗传与进化机制的适合于复杂系统优化的自适应概率优化技术——遗传算法。1967年,Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词,她发展了复制、交叉、变异、显性、倒位等遗传算子,在个体编码上使用双倍体的编码方法。Holland教授用遗传算法的思想对自然与人工自适应系统进行了研究,提出了遗传算法的基本理论——模式定理(Schema Theorem)并于1957年出版了第一本系统论述遗传算法与人工自适应系统的专著《Adaptation in Natural and Artificial Systems》。20世纪80年代,Holland教授实现了第一个基于遗传算法的机器学习系统,开创了遗传算法的机器学习的新概念。1975年,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实验,建立了遗传算法的工作框架,得到了一些重要且具有指导意义的结论。1989年,Goldberg出版了《Genetic Algorithm in Search,Optimization and Machine Learning》一书,系统地总结了遗传算法的