遗传算法的原理及组成浅析

龙源期刊网 https://www.360docs.net/doc/118202894.html,

遗传算法的原理及组成浅析

作者：金天坤高扬

来源：《科技视界》2014年第04期

【摘要】本文简单讨论了遗传算法的特点、组成，即介绍了算法的交叉及常用的交叉算子、变异，其中进一步说明算法的编码原理、适应度函数设计，最后提出该算法的不足之处

和改进。

【关键词】遗传算法；参数；适应度函数

遗传算法（GA）是一种宏观意义下的仿生算法，它模拟的机制是一切生命智能的产生与进化过程。作为一种广为应用的、高效的随机搜索与优化方法，它对模型的表达式没有特定的要求，如目标函数用约束函数的连续性、可微性等函数解析性质的限制，还具有全局优化性、稳健性与可操作的简单性等优点。

1 遗传算法的主要步骤及

遗传算法操作的是一群编码化的可行解，称作种群p（t）。它通过种群的更新与迭代来搜索全局最优解。种群的迭代是通过选择、杂交和变异等具有生物意义的遗传算子来实现的。在算法中，进化过程是通过一代群体p（t）向下一代群体p（t+1）的演化完成的，每一代群体由若干个个体组成，每个个体称为一个染色体，而每个染色体是一系基因组成的基因串。每个染色体由于其中所含基因排列方式的不同而表现出不同的性能[1]。

算法在整个优化过程中的遗传操作是随机的，但它所呈现出的特性并不是完全随机的搜索，它能有效的利用历史信息来推测下一代的期望性能有所提高的寻优点集，这样反复进行，最后收敛到一个最优解。

2 遗传算法的组成

遗传算法主要由几个部分组成：编码方式、适应度函数、遗传操作、算法终止条件。要利用遗传算法成功的解决优化问题，每个部分的设计都非常关键。

2.1 编码

编码原理遗传算法不是对所求问题的实际优化变量直接操作，而是对表示可行解的遗传编码（即个体）作遗传操作。因此遗传算法中在进行搜索之前需要把解空间的可行解转换为搜索空间的基因型结构，这些串结构数据的不同组合便构成了不同的点。编码问题实际上是问题空间到表示空间的映射问题。