遗 传 算 法 详 解 ( 含 M A T L A B 代 码 )
遗传算法遗传算法
（5）遗传算法在解空间进行高效启发式搜索，而非盲 目地穷举或完全随机搜索；
（6）遗传算法对于待寻优的函数基本无限制，它既不 要求函数连续，也不要求函数可微，既可以是数学解 析式所表示的显函数，又可以是映射矩阵甚至是神经 网络的隐函数，因而应用范围较广；
（7）遗传算法具有并行计算的特点，因而可通过大规 模并行计算来提高计算速度，适合大规模复杂问题的 优化。
26
（4）基本遗传算法的运行参数 有下述4个运行参数需要提前设定：
M：群体大小，即群体中所含个体的数量，一般取为 20~100； G：遗传算法的终止进化代数，一般取为100~500； Pc：交叉概率，一般取为0.4~0.99；
Pm：变异概率，一般取为0.0001~0.1。
27
10.4.2 遗传算法的应用步骤
遗传算法简称GA（Genetic Algorithms）是1962年 由美国Michigan大学的Holland教授提出的模拟自然 界遗传机制和生物进化论而成的一种并行随机搜索最 优化方法。
遗传算法是以达尔文的自然选择学说为基础发展起 来的。自然选择学说包括以下三个方面：
1
（1）遗传：这是生物的普遍特征，亲代把生物信息交 给子代，子代总是和亲代具有相同或相似的性状。生 物有了这个特征，物种才能稳定存在。
18
（3）生产调度问题 在很多情况下，采用建立数学模型的方法难以对生
产调度问题进行精确求解。在现实生产中多采用一些 经验进行调度。遗传算法是解决复杂调度问题的有效 工具，在单件生产车间调度、流水线生产车间调度、 生产规划、任务分配等方面遗传算法都得到了有效的 应用。
19
（4）自动控制。 在自动控制领域中有很多与优化相关的问题需要求
10
2024年沪科版高三生物下册月考试卷750
2024年沪科版高三生物下册月考试卷750考试试卷考试范围：全部知识点；考试时间：120分钟学校：______ 姓名：______ 班级：______ 考号：______总分栏题号一二三四五六总分得分评卷人得分一、选择题(共5题，共10分)1、下列不属于生命系统结构层次的一项是（）A. 池塘中的全部鱼B. 一个心脏C. 免疫细胞产生的抗体D. 一个变形虫2、血红蛋白是由574个氨基酸构成的蛋白质，含4条多肽链，那么在形成肽链过程中形成的肽键数目为（）A. 573B. 574C. 578D. 5703、匈牙利学者帕尔在1914～1918年间进行植物生长的实验研究时，曾在黑暗条件下，将切下的燕麦胚芽鞘顶部移到切口的一侧，胚芽鞘会向另一侧弯曲生长（如图），这个实验主要证实（）A. 顶端产生某种“影响物”B. 合成“影响物”不需要光C. “影响物”具有促进胚芽鞘生长效应D. 使背光一侧“影响物”分布多4、如图是生态系统的能量流动图解；对此图解的理解错误的是（）A. 图中方框的大小可表示该营养级生物所具有的能量多少B. 该图中C所具有的能量为B的10%C. 该图中的A表示流经该生态系统的总能量D. 图中A具有的能量是D的能量之和5、下图表示人体神经元模式图，据图分析以下正确的是A. ④中的物质释放到⑤处的运输方式是主动运输，能量主要由结构①提供B. 若刺激A点，电流表发生两次偏转，如将电流表的右极接至③处，刺激A点，则电流表也发生两次偏转C. 刺激A点，A处的膜电位变为外正内负D. 刺激A点，兴奋从A点传至③处的信号变化为化学信号→电信号评卷人得分二、双选题(共6题，共12分)6、下列对有关图形所表达的生物学含义的叙述正确的是A．图甲可以表示将肠淀粉酶溶液的pH由1.8调高至12的过程中该酶催化活性的变化B．图乙表示某二倍体生物的有丝分裂，该细胞中没有同源染色体，有两个染色体组C．图丙表示效应T细胞发挥细胞免疫作用D．将幼小植株在适宜条件下横放,一段时间以后出现了丁图所示的生长现象,这与不同器官对生长素的敏感程度不同有关7、甲、乙两种单基因遗传病分别由基因A、a和D、d控制，图一为两种病的家系图，图二为Ⅱ10体细胞中两对同源染色体上相关基因定位示意图。
基于Hausdorff距离的SAR图像匹配方法
够实 现全局 并行搜 索 ， 具有 简单 、 速 等特点 。将其 快 应 用 到 上述 图像 匹配 方 法 中能 有 效 提 高 匹 配 的 速 度， 减少计 算 的次数 。 了能把上 述 问题抽象 成遗 传 为 算法 能够 理解 的问题 ， 主要 需要 解决 个体编码 、 应 适
度 函数构 造两个 问题 。
Ｈａ ｓｏｆ 距 离 匹配 算 法 鲁 棒 性 有 所 改 进 。 ｕｄ ｒ ｆ
关 键 词 ： ｕｄ ｒ 距 离 ， 成 孔 径 雷 达 ， 像 匹 配 ， 度 方 向 Ｈａ ｓｏｆ ｆ 合 图 梯
中 图 分 类 号 ： Ｐ ９ Ｔ ３１ 文献标识码 ： Ａ
Ａ ＡＲ ｍ ａ ｅ Ｍ ａ ｃ ｉ Ｓ Ｉ ｇ ｔ ｈ ｎｇ Ａｐｐ ｏ ｃ ｓ ｄ ｏ ａ ｓ ｒ ｆ Ｄｉ ｔ ｎｃ ｒ ａ ｈ Ｂａ ｅ ｎ Ｈ ｕ ｄｏ ｆ ｓ ａ ｅ
关 系 的过 程 ， 是 Ｓ 它 ＡＲ 图像 处 理 中 的重 要 环 节 ， 在 地 图匹 配制 导 、 行导 航 、 飞 对地攻 击 武器投 放 等方 面 有着 广 阔 的应 用 前景 。 为 此 国 内外 学 者 在 Ｓ Ｒ 图像 匹配 的方 面 展 开 Ａ
Ｈａ ｓ ｏｆ 距 离表 示 了点集 和 Ｂ 的最不 相似 ｕ ｄ ｒｆ 程 度 ， 这 种度 量 方 法并 不 需 要建 立点 与 点 的对 应 且
其 中， ＝ Ｅ Ｈ ｆｘＮｂ ， ≤ｆ １ ｄ （）ｆ ］ Ｏ ≤ ， ６ （表示 将 Ｂ 中 ） 所有 点 到 Ａ 的距离 ｄ （ ） 小 到大排序 后 的第 ｉ ６从 个 值 。可见 Ｌ Ｓ Ｈ Ｔ — Ｄ是 在剔 除大 的距 离值后 ， 再对 其 余 的距离值 求平均 ， 因而具有更 好 的鲁 棒性 。 文 献 Ｅ ］ 出 了 一 种 融 合 点 集 重 合 数 的 ４提
遗传算法
j=0 选择两个交叉个体 执行交叉 将交叉后的两个新个体 添入新群体中 j = j+2
将复制的个体添入 新群体中
j = j+1
N
j = M? Y
N
j = pc· M? Y
Gen=Gen+1
N
j = pm· M? L· Y
遗传算法应用举例 ——在函数优化中的应用
[例] Rosenbrock函数的全局最大值计算。
bi 2i1 )
i 1
U max U min 2 1
0.3 70352 (12.1 3) /(218 1) 1.052426
二）个体适应度评价
如前所述，要求所有个体的适应度必须为正数或零，不能是负数。
(1) 当优化目标是求函数最大值，并且目标函数总取正值时，可以直接设定
max s.t. 如图所示： 该函数有两个局部极大点， 分别是: f(2.048, -2048) =3897.7342 f(-2.048,-2.0048) =3905.9262 其中后者为全局最大点。 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
变异操作示例
变异字符的位置是随机确定的，如下表所示。某群体有3个个体，每个体含4 个基因。针对每个个体的每个基因产生一个[0, 1] 区间具有3位有效数字的值产生变异。表 中3号个体的第4位的随机数为0.001，小于0.01，该基因产生变异，使3号个体由
下面介绍求解该问题的遗传算法的构造过程：
第一步：确定决策变量及其约束条件。 s.t. 第二步：建立优化模型。 max 第三步：确定编码方法。 用长度为l0位的二进制编码串来分别表示二个决策变量x1,x2。 lO位二进制编码串可以表示从0到1023之间的1024个不同的数，故将x1,x2的 定义域离散化为1023个均等的区域，包括两个端点在内共有1024个不同的离散点。 从离散点-2.048到离散点2.048，依次让它们分别对应于从0000000000(0)到 f(x1,x2) = 100 (x12-x22)2 + (1-x1)2 -2.048 ≤ xi ≤ 2.048 (xi=1,2)
遗传算法解释及代码(一看就懂)
遗传算法( GA , Genetic Algorithm ) ，也称进化算法。
遗传算法是受达尔文的进化论的启发，借鉴生物进化过程而提出的一种启发式搜索算法。
因此在介绍遗传算法前有必要简单的介绍生物进化知识。
一.进化论知识作为遗传算法生物背景的介绍，下面容了解即可：种群(Population)：生物的进化以群体的形式进行，这样的一个群体称为种群。
个体：组成种群的单个生物。
基因 ( Gene ) ：一个遗传因子。
染色体 ( Chromosome )：包含一组的基因。
生存竞争，适者生存：对环境适应度高的、牛B的个体参与繁殖的机会比较多，后代就会越来越多。
适应度低的个体参与繁殖的机会比较少，后代就会越来越少。
遗传与变异：新个体会遗传父母双方各一部分的基因，同时有一定的概率发生基因变异。
简单说来就是：繁殖过程，会发生基因交叉( Crossover ) ，基因突变( Mutation ) ，适应度( Fitness )低的个体会被逐步淘汰，而适应度高的个体会越来越多。
那么经过N代的自然选择后，保存下来的个体都是适应度很高的，其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。
这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子，使用遗传算法解决“0-1背包问题”的思路：0-1背包的解可以编码为一串0-1字符串（0：不取，1：取）；首先，随机产生M个0-1字符串，然后评价这些0-1字符串作为0-1背包问题的解的优劣；然后，随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串，而且较优的解被选中的概率要比较高。
这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码：需要将问题的解编码成字符串的形式才能使用遗传算法。
遗传算法基础
比例选择法（轮盘赌）
• 基本思想
各个个体被选中的概率与其适应度大小成正比。 设群体大小为 M，个体 i 的适应度大小为F ( xi ) ，则 个体 i 被选中的概率为
Pi =
F ( xi )
∑ F (x )
i =1 i
M
比例选择法（轮盘赌）
• 具体步骤 1）计算各基因适应度值和选择概率 Pi 2）累计所有基因选择概率值，记录中间累 加值S - mid 和最后累加值 sum = ∑ Pi 3）产生一个随机数 N，0〈 N 〈 1 4）选择对应中间累加值S - mid 的基因进 入交换集 5）重复（3）和（4），直到获得足够的基 因。
t i
t i i
n
模式定理
• 选择算子的作用
f (H , t) m( H , t + 1) = m( H , t ) f (t )
若 若
f (H , t) >1，m（H，t）增加 f (t ) f ( H , t ) <1，m（H，t）减少 f (t )
在选择算子的作用下，对于平均适用度高于群体平 在选择算子的作用下， 均适应度的模式，其样本数将增长， 均适应度的模式，其样本数将增长，对于平均适用 度低于群体平均适应度的模式， 度低于群体平均适应度的模式，其样本数将减少
f ( x) f ( x) f ( x) f ( x) f ( x) f ( x)
F（x）
F（x）
F（x）
F（x）＝f（x）＋C
遗传算法基本要素与实现技术
• 选择算子 • 适应度较高的个体被遗传到下一代群体中 的概率较大，适应度较低的个体被遗传到 下一代群体中的概率较小。 • 选择方法 比例选择法（轮盘赌） 锦标赛选择法
遗传算法
缺点：该算法只是对每个落点进行单独的考虑，没有反应不同组 合所产生的共同效果，所以只是近似的算法，不能获得最优的结果。 基于单个的优化不能保证在整体情况下能获得最大值。 如果对所有的可能方案进行评价，找到最佳方案。例如在N*N的
栅格空间中确定n个 目标的最佳位置，则所要对比的组合高达
2.遗传算法和GIS结合解决空间优化问题
所谓交叉运算，是指对两个相互配对的染色体依据
交叉概率 Pc 按某种方式相互交换其部分基因，从而形 成两个新的个体。
交叉前： 00000|011100000000|10000 11100|000001111110|00101 交叉后： 00000|000001111110|10000 11100|011100000000|00101 染色体交叉是以一定的概率发生的，这个概率记为Pc
行一点或多点交叉的操作，但这样很容易产生断路或环路。针对路径 的具体需要,这里采用只允许在除首、尾结点之外的第一个重复结点位
置交叉且只进行一点交叉的操作方式。例如:设从起始结点1到目标结
点9的一对父代个体分别是G1和G2,分别如下表示: G1(1,3,5,6,7,8,9)
G2(1,2,4,5,8,9)
是一种有效的解最优化问题的方法。 其基本思想是:首先随机产生种群,对种群中的被选中染色体进行交
叉或变异运算生成后代,根据适值选择部分后代,淘汰部分后代,但种群
大小不变。经过若干代遗传之后,算法收敛于最好的染色体,可能是问题 的最优解或次优解。
适应度函数
遗传算法对一个个体（解）的好坏用适应度函数
值来评价，适应度函数值越大，解的质量越好。适应 度函数是遗传算法进化过程的驱动力，也是进行自然
篇论文。此后Holland教授指导学生完成了多篇有关遗传算法研究的论
采用遗传算法提高自由曲面光顺特性
ｌ４ ０２
激 光 与 红 外
第４ １卷
可微 性 （ ｉｅｅｔｂｌｙ 来 衡 量 。曲 面 拟 合 函数 阶 ｄｆｒｎｉ ｉｔ） ｆ ａ ｉ
＝
Ｅ ｆＰ Ｉ ｕ ｎ＝ ” ｄ ｌ
ｋ
（） ２
（） ３ （） ４
ｂ ． ． ｙ０ １
Ｋ ｅ ｏ ｄｓ：ｒ ｅ Ｓ ｒａ ｅ；ａ ｒｎ ｏ ｅ ｙ； ｅ ｅ ｉ ｌｏ ｔ ｍ ； ｕｒａ ｕ ｅ ｖ ｒａ ｅ ｒｔｏ ｙｗ ｒ ｆｅ ｕ ｃ ｆｉ ｇ ｐｒ ｐ ｒ ｇ ｎ ｔｃ ａｇ ｒ ｈ ｃ ｖ ｔ ｒ ａ ｉｎｃ ａ ｉ ｆ ｉ ｔ ｉ
确 的数 值 计 算 ， 别 适 合 于 求 解 多 目标 优 化 问题 。 特 当约 束条 件转换 到 模 糊 域 中后 ， 糊 可 行 集 合 中既 模 包含 可行 点又包 含 不 可 行 点 ， 样遗 传 算 法 就 能 够 这 同时得到 可行 点和 不可行 点 的数据 信息 。
模糊集合理论对点集搜索空间重新定义 ， 用点的适 应度值进行点的选取。种群中的点离可行域距离越 近， 在模糊 可行 域 中 的
低； 相切 连续 在 曲面连 接处 曲率 存在 突变 ， 以在 视 所 觉效 果上 仍然 会 有差 异 感 ； 曲率 连 续 曲面 没 有尖 锐
接缝 ， 没有 曲率 的突 变 ， 觉 效 果 光 滑 流 畅 ， 汽 也 视 如
采 用三 维激 光 扫描 ¨ ２测 量 物 体 型 面 时 ， 获 Ｉ 所 取 的是 离散 点 云数据 ， 其进 行 曲面重 建 时 ， 物体 对 受 形 貌 和拟合 算法 制 约 ， 生 成 的 曲面 可 能存 在 曲率 所 突 变 或 凹 凸 区 域 ， 要 对 重 构 曲 面 进 行 光 顺 处 需 理 。 曲面光 顺是 一个 工 程 意 义 上 的 概 念 ， 括 包 光 滑和顺 眼 两方 面 的含 义 。光 滑 是 客 观 评 价 ， 指 是
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
遗传算法入门（上）代码中的进化学说与遗传学说写在之前算法所属领域遗传算法的思想解析为什么要用遗传算法？科研现状应用现状遗传算法入门系列文章：（中篇）遗传算法入门（中）实例，求解一元函数最值（MATLAB版）（下篇）遗传算法入门（下）实例，求解TSP问题（C++版）写在之前说明：本想着用大量篇幅写一篇“关于遗传算法的基本原理”作为本系列入门的第一篇，但是在找寻资料的过程中，看到网络上有大量的关于遗传算法的介绍，觉得写的都挺好，所以本文我就简单写点自己的理解。
推荐几篇关于遗传算法的介绍性文章：遗传算法详解（GA）（个人觉得很形象，很适合初学者）算法所属领域相信每个人学习一门知识之前，都会想知道这门知识属于哪一门学科范畴，属于哪一类技术领域？首先对于这种问题，GA是没有绝对的归属的。
算法的定义是解决问题的一种思想和指导理论。
而遗传算法也是解决某一问题的一种思想，用某一编程语言实现这种思想的程序具有很多特点，其中一个便是智能性和进化性，即，不需要大量的人为干涉，程序本身能够根据一定的条件自我筛选，最终得出令人满意的结果。
所以按照这种特性，把它列为人工智能领域下的学习门类毫无疑问是可以的。
遗传算法的思想是借鉴了达尔文的进化学说和孟德尔的遗传学说，把遗传算法说成是一门十足的仿生学一点都不过分。
然而从应用的角度出发，遗传算法是求最优解问题的好方法，如信号处理中的优化、数学求解问题、工业控制参数最优解、神经网络中的激活函数、图像处理等等，所以把遗传算法说成优化范畴貌似也说的过去。
为了方便理解，我们可以暂时将其定位为人工智能–智能优化，这也是很多书中描述遗传算法的惯用词汇。
遗传算法的思想解析遗传算法（gentic algorithms简称GA）是模拟生物遗传和进化的全局优化搜索算法我们知道，在人类的演化中，达尔文的进化学说与孟德尔的遗传学说起着至关重要的理论指导。
每个人作为一个个体组成一个人类种群，正是经历着物竞天择，才会让整个群体慢慢变的更好，即更加适应周围的环境。
而每一代正是靠着基因交叉与变异才能繁衍出更加适应大自然规律的下一代个体。
总之，在漫长的迭代进化中，一个不适应环境的群体，在物竞天择和交叉变异中慢慢变的适应了环境。
GA的思想完全模拟了生物的进化和遗传方式。
我们在求解一个问题的最优解时，先人为的产生很多任意的解，组成一个解集（一个解是一个个体，一个解集是一个种群），这些解有好有坏。
我们的最终目的是让这些解通过“物竞天择”慢慢演化成最终适合所求的最优解。
如果说大自然中是周围的环境对种群中的个体做出选择，那么在求解问题时，就可以用一个问题的模型函数来对众多解做出选择，即：对于一个要解决的问题，我们通过数学建模的方式将其建立为一个纯数学函数F=f(x,y.)" role="presentation">F=f(x,y.)F=f(x,y.)F = f(x,y.) , 该函数就能反应该问题的特性，例如我们需要求解汽车过隧道问题。
可以将隧道抽象成一个倒立的抛物线函数，通过研究该抛物线的特性来研究隧道口的高度。
如果我们在之前先产生一个解集，将解集中的所有解带入抛物线，得出一个结果集，则结果集中的每个结果肯定有好有坏，好的结果所对应的解就是好解，反之亦然。
所以，这个模型函数就充当了自然界中的环境因素。
在遗传算法中，这个模型函数称为目标函数，而在实际的算法运行中，因为考虑到算法的设计，往往会在目标函数上做一些不会改变函数特性，但是会改变函数形式的改进，例如F(x)=x+1" role="presentation">F(x)=x+1F(x)=x+1F(x) = x+1 改为F(x)=5x+1" role="presentation">F(x)=5x+1F(x)=5x+1F(x)=5x+1 ,改变前和改变后，函数都是线性函数，但改变后的函数变得更加陡峭。
有些改变是为让函数在定义域内不再有负值等等。
这些改变后的函数称为适应度函数，总之，适应度函数是为了不改变目标函数对个体选择的特性下为了更好的进行写代码而生的。
我们早在设计算法的一开始就对每个解进行了编码，编码的方式有很多，并不难理解，如适应度函数F(x,y,z)=x2+y2+z2" role="presentation">F(x,y,z)=x2+y2+z2F(x,y,z)=x2+y2+z2F(x,y,z) =x^2+y^2+z^2 , 我们随机生成了一个解（个体）567" role="presentation">567567567 ，其中x=5" role="presentation">x=5x=5x= 5, y=5" role="presentation">y=5y=5y=5, z=7" role="presentation">z=7z=7z=7 ，将其带入函数，可以得出一个适应度值，这个值的大小可以反应该解是否是好的解。
567" role="presentation">567567567 这一个解称之为一个个体，你也可以形象的称之为一个染色体，而三个数字中的每一个数字称之为基因，正如许多基因组成一个染色体（人体）一样。
在上述中，将函数的每个变量对应个体中的每个基因的方式，我们称之为实数编码，当然我们可以通过某一对应法则，将十进制的基因变成二进制，如上述的个体567" role="presentation">567567567，通过某一对应法则变成0101|0110|0111"role="presentation">0101|0110|01110101|0110|01110101| 0110| 0111 ，对于这种形式的编码称之为二进制编码，而此时的基因变成0或1 。
种群中的个体通过遗变异和变异（遗传学说）作为产生新个体的依据，通过适应度函数（环境）控制的选择（物竞天择）对个体进行筛选，经过上百次的循环（繁殖），最终会产生非常接近符合适应度函数（使用环境）的个体（物种），而最好个体中的基因便是最好的变量，即最好的解。
为什么要用遗传算法？为什么要用遗传算法？通过分析遗传算法的思想，我们知道遗传算法说明白了就是用来求解某适应度函数的某些特定值（如最大值，最小值）。
你可能会说，既然给定了纯数学的适应度函数公式，我们完全可以用数学上诸如极限、微积分、解线性方式等方法求解最大值。
但是理论往往只是理论，在实际生产中，如工业、医疗、各种业中，我们通过数学建模抽象出的适应度函数往往是不可导、不连续的，这些复杂的函数根本无法用数学中的推论解决。
而遗传算法根本不用考虑是否连续，是否可导，只要简单的随机给定一个不管是好还是坏的种群，一点击运行代码，即可求出最终的最优解。
这也是遗传算法得意被众多人研究和得以被广泛应用的根本之所在。
科研现状节选本人当年写的《遗传算法综述》随着应用领域的扩展，遗传算法的研究出现了几个引人注目的新动向：一是基于遗传算法的机器学习，这一新的研究课题把遗传算法从历来离散的搜索空间的优化搜索算法扩展到具有独特的规则生成功能的崭新的机器学习算法。
这一新的学习机制对于解决人工智能中知识获取和知识优化精炼的瓶颈难题带来了希望。
二是遗传算法正日益和神经网络、模糊推理以及混沌理论等其它智能计算方法相互渗透和结合，这对开拓21世纪中新的智能计算技术将具有重要的意义。
三是并行处理的遗传算法的研究十分活跃。
这一研究不仅对遗传算法本身的发展，而且对于新一代智能计算机体系结构的研究都是十分重要的。
四是遗传算法和另一个称为人工生命的崭新研究领域正不断渗透。
所谓人工生命即是用计算机模拟自然界丰富多彩的生命现象，其中生物的自适应、进化和免疫等现象是人工生命的重要研究对象，而遗传算法在这方面将会发挥一定的作用。
五是遗传算法和进化规划（Evolution Programming,EP）以及进化策略（Evolution Strategy,ES）等进化计算理论日益结合。
EP和ES几乎是和遗传算法同时独立发展起来的，同遗传算法一样，它们也是模拟自然界生物进化机制的智能计算方法，即同遗传算法具有相同之处，也有各自的特点。
目前，这三者之间的比较研究和彼此结合的探讨正形成热点。
额…….,我突然发现我的综述对现状的描写实在过多，而且里面有大量其他论文引用，大家真需要看的话，去下载我的《遗传算法综述》吧，下面只列出一些标题性的内容，不在粘贴过多的解释了遗传操作的改进。
体现在选择、交叉和变异的改进上。
……………………………….参数的自适应选取大多体现在种群规模N、交叉概率Pc和变异概率Pm 的动态自适应选取上。
……………混合遗传算法是指GA与其他算法的融合。
……………………………………小生境技术。
对于多模态函数优化问题和多峰函数优化问题，往往要求搜索多个全局最优解和有意义的局部最优解，传统的GA容易陷入局部极值。
…………………………….分布并行遗传算法。
……………………………….应用现状节选本人当年写的《遗传算法综述》（1）函数优化函数优化是遗传算法的经典应用领域，也是对遗传算法进行性能评价的常用算例。
许多人构造出了各种各样复杂形式的测试函数：连续函数和离散函数、凸函数和凹函数、低维函数和高纬函数、单峰函数和多峰函数等。
对于一些非线性、多模型、多目标的函数优化问题，用其它优化方法较难求解，而遗传算法可以方便的得到较好的结果。
（2）组合优化问题优化问题包括函数优化和组合优化两种。
函数优化是遗传算法的经典领域，也是对遗传算法进行性能评价的常用算例。
对于组合优化，随着问题规模的扩大，搜索空间急剧扩大，这类复杂问题，人们已经意识到把精力放在寻找其满意解上。
实践证明，遗传算法对于组合优化中的NP完全问题非常有效。
（3）自动控制在自动控制领域中许多与优化相关的问题需要求解，遗传算法的应用日益增加，并显示了良好的效果。
例如用遗传算法进行航空控制系统的优化、基于遗传算法的参数辨识、利用遗传算法进行人工神经网络的结构优化设计和权值学习，都显示了遗传算法在这些领域中应用的可能性。
（4）机器学习学习能力是高级自适应系统所具备的能力之一，基于遗传算法的机器学习，特别是分类器系统，在很多领域中都得到了应用。
遗传算法被用于学习模糊控制规则，可以更好地改进模糊系统的性能；基于遗传算法的机器学习不但可以用来调整人工：神经网络的连接权，也可用于人工神经网络结构的优化设计。