遗传算法概述

第1期作者简介：李红梅（1978-），女，湖南湘潭人，硕士，广东白云学院讲师，研究方向为演化计算。

1遗传算法的发展史遗传算法（Genetic Algorithms ）研究的历史比较短，20世纪60年代末期到70年代初期，主要由美国家Michigan 大学的John Holland 与其同事、学生们研究形成了一个较完整的理论和方法，遗传算法作为具有系统优化、适应和学习的高性能计算和建模方法的研究渐趋成熟。

我国对于GA 的研究起步较晚，不过从20世纪90年代以来一直处于不断上升中。

2遗传算法的基本思想遗传算法是从代表问题可能潜在解集的一个种群（popu-lation ）开始的，而一个种群则由经过基因（gene ）编码（coding ）的一定数目的个体（individual ）组成。

每个个体实际上是染色体（chromosome ）带有特征的实体。

染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现是某种基因组合，它决定了个体的形状的外部表现。

初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation ）演化产生出越来越好的近似解。

在每一代中，根据问题域中个体的适应度（fitness ）、大小挑选（selection ）个体，借助于自然遗传学的遗传算子（geneticoperators ）进行组合交叉（crossover ）和变异（mutation ），产生出代表新的解集的种群。

这个过程将导致后生代种群比前代更加适应环境，末代种群中的最优个体经过解码（decoding ），可以作为问题近似最优解。

3遗传算法的一般流程（1）随机产生一定数目的初始种群，每个个体表示为染色体的基因编码；（2）计算每个个体的适应度，并判断是否符合优化准则。

若符合，输出最佳个体及其代表的最优解并结束计算，否则转向第3步；（3）依据适应度选择再生个体，适应度高的个体被选中的概率高，适应度低的个体可能被淘汰；（4）执行交叉和变异操作，生成新的个体；（5）得到新一代的种群，返回到第2步。

4遗传算法的特点传统的优化方法主要有三种：枚举法、启发式算法和搜索算法：（1）枚举法可行解集合内的所有可行解，以求出精确最优解。

对于连续函数，该方法要求先对其进行离散化处理，这样就可能因离散处理而永远达不到最优解。

此外，当枚举空间比较大时，该方法的求解效率比较低，有时甚至在目前先进计算机工具上无法求解。

（2）启发式算法寻求一种能产生可行解的启发式规则，以找到一个最优解或近似最优解。

该方法的求解效率比较高，但对每一个需求解的问题必须找出其特有的启发式规则。

这个启发式规则一般无通用性，不适合于其它问题。

（3）搜索算法寻求一种搜索算法，该算法在可行解集合的一个子集内进行搜索操作，以找到问题的最优解或者近似最优解。

该方法虽然保证不了一定能够得到问题的最优解，但若适当地利用一些启发知识，就可在近似解的质量和效率上达到一种较好的平衡。

遗传算法不同于传统的搜索和优化方法。

主要区别在于：①遗传算法直接处理问题参数的适当编码而不是处理参数集本身。

②遗传算法按并行方式搜索一个种群数目的点，而不是遗传算法概述李红梅（广东白云学院计算机系，广东广州510450）摘要：遗传算法是一种全局优化的随机搜索算法。

它是解决复杂优化问题的有力工具。

在工程设计、演化硬件电路设计以及人工智能等方面应用前景广阔。

系统地介绍了遗传算法的发展史、基本思想、特点、主要应用领域等相关方面。

关键词：遗传算法；搜索；进化；最优解；种群中图分类号：TP312文献标识码：A文章编号：1672-7800（2009）01-0067-02第8卷第1期2009年1月Vol.8No.1Jan.2009软件导刊Software Guide软件导刊2009年单点。

③遗传算法只需要适应度函数值。

④遗传算法使用概率转换规则，而非确定的转换规则指导搜索。

⑤遗传算法在搜索过程中不易陷入局部最优，有较好的全局优化能力。

5遗传算法存在的问题（1）编码问题：对于不同问题，编码选择不当，可能导致积木块假设不成立而使遗传算法很难收敛到最优解。

（2）早熟收敛：指群体过早失去多样性而收敛到局部最优解。

（3）进化时间长：进化过程中产生大量数据，计算量大、时间长。

（4）参数选择问题：目前参数选择是根据经验来确定，缺乏理论依据。

6遗传算法的改进研究（1）编码表示Holland 建议使用二进制编码，但它精度不高，个体长度大，占用计算机内存多。

解决措施有：动态编码，多维实数编码，复数编码，有序串编码和结构式编码等。

（2）适应度函数适应度函数是区分个体好坏的标准，也是自然选择的唯一标准。

选择的好坏直接影响算法的优劣，选择得不好容易引起早熟收敛或导致搜索成为随机漫游；对此可引入适应度函数定标技术来解决。

（3）选择策略不同的选择策略对算法性能有不同影响。

轮盘赌法使用最多，但它可能产生较大的抽样误差，可选用改进方法，如非线性排名选择等。

（4）控制参数控制参数一般有群体大小、交叉概率、变异概率等，它们对算法性能有很大影响。

对于参数的确定，Davis 提出了自适应算子概率方法，Srinvivas 等则提出了一种自适应遗传算法。

（5）结合其它技术简单遗传算法与启发式算法结合生成混合遗传算法，具有更好的优化效果。

结合并行机和分布式系统提出了多种并行遗传算法，可提高搜索效率。

7遗传算法的应用领域遗传算法提供了一种求解复杂系统优化问题的通用框架。

它不依赖于问题的具体领域，对问题的种类有很强的鲁棒性即健壮性，所以广泛应用于多学科。

函数优化方面、组合优化方面有背包问题、图划分问题等；生产调度方面有流水生产车间调度等；机器人学方面有路径规划等；图象处理方面有模式识别、特征抽取等；机器学习方面有学习模糊控制规则等；数据挖掘方面有规则开采等。

8结束语遗传算法是一种基于概率意义随机迭代进化、具有广泛适用性的全局优化搜索方法。

遗传算法提供了一种求解复杂系统优化问题的通用框架。

经过30多年的努力，不论是基础理论研究、算法设计还是实际应用，遗传算法都有了较大发展。

今后，应用研究将是遗传算法研究的主要方向，同时其理论和技术研究也需要进一步深入完善，可引入新的数学工具和生物学的新成果。

参考文献：［1］王小平，曹立明．遗传算法—————理论、应用与软件实现［M ］．西安：西安交通大学出版社，2002．［2］Holland J．H．Concerning Efficient Adaptive Systems ［J ］．In Yovirs．M．C．Eds．Self－Organizing Systems ，1962：215－230．［3］Holland J．H．Adaptation in Natural and Artificial Systems．AnnAr-bor ：University of Michigan press ，1975．［4］Goldberg D．Lingle R．Alleles ，Loci and the Traveling Salesman Prob-lem．In ：Grefenstette J．Editor ，Proceedings of First International Con-ference on Genetic Algorithms．Lawrence Erlbaum Associates ，New Jersey ，1985，154－159．［5］Davis L D．Genetic Algorithms and Simulated Annealing ［M ］．Morgan Kaufmann．LosAltos ，1987．［6］Michalewicz Z．A Modified Genetic Algorithm for Optimal Control Problems．Computers Math．Application ，1992，23（12）：83－94．［7］雷德明．多维实数编码遗传算法［J ］．控制与决策，2000（2）．［8］陈文清．遗传算法综述［J ］．洛阳工业高等专科学校学报，2003（1）．［9］李敏强．遗传算法的基本理论与应用［M ］．北京：科学出版社，2002．［10］徐清振，肖成林.遗传算法的研究与应用［J ］．现代计算机，2006（5）．［11］徐阳，王友仁.演化硬件理论与应用技术研究［J ］．航空电子技术，2003（3）．［12］周明，孙树栋．遗传算法原理及其应用［M ］．北京：国防出版社，1999．（责任编辑：周晓辉）O verview of G enetic A lgorithmsAbstract ：Genetic Algorithms is a global optimization of the random search algorithm for solving complex optimization problems a power-ful tool．In the engineering design ，hardware design ，as well as the evolution of artificial intelligence applications in areas such as the prospects are bright．This article systematically introduces the history of the development of genetic algorithm ，the basic idea ，and the main characteristics of the applications and other related aspects of the final summarized and prospects．Key Words ：Genetic Algorithms ；Search ；Evolution ；Optimal S olution ；Population68--。