遗传算法的数据挖掘综述
遗传算法文献综述
20世纪50年代末，国外就有人开始进行课程编排问题研究，Judit Csima & C.C. Gotlieb[16]曾形象化描述并提出一个求解课表问题的数学模型，上世纪70年代，Even和Cooper[17]等人证明了排课问题就是一个NP-Hard问题。
而NP 问题除了穷举法没有绝对的求解方法，这有效地回答了排课在应用中遇到困难的原因，同时认识到了课表编排的复杂性，从理论上证明了要解决大规模的排课问题单纯依靠数学方法是行不通的。
印度Vastapur 大学管理学院的Arabinda Tripathy 在1992年进行了课表编排研究，他在进行课表编制过程中，充分地考“人”的因素，并以“人”为单位进行课表编排，但是效果却差强人意[18]。
有学者指出，可以通过适当地减少变量的个数，从而使得在排课时，最大程度地减少计算量，但是，这种思想无疑是不可取的，因为排课属于一个多目标的优化问题，减少变量的个数，人为地造成课程之间的矛盾[19]。
有学者设计了多重课组进行排课，具体是根据学生自主选课的冲突情况，如果选课学生人数过多，教学与教室之间冲突情况严重，则可以在一周内开设一定数量的重复课程，来解决选课学生人数多的矛盾，但是这种方法的随机性较大，无法从根本上解决排课过程中多目标问题。
加拿大Montreal 大学的Jacques A．Ferland 等人通过研究，认为可以将排课问题分解成两个关联程度较高的子问题：即分成时间表和课程分组，并构造相应的启发函数和惩罚因子，来试图解决排课问题[20]。
在排课过程中，Jacques A．Ferland 等人将SAPHIR 课程调度决策支持系统分成多个功能模块，如数据处理、自动优化、交互优化等模块，利用多重课组来协调解决排课过程中出现的主要矛盾[21]。
Colomi 等人将具有自适应寻优能力的遗传算法用于课程编排问题求解，首先与高校教学过程相关的因素进行编码，然后采用遗传算法模拟自然界的选择、交叉、变异算子寻找最优排课方案，并应用到当前一所高中的排课系统中。
遗传算法研究综述_葛继科
收稿日期:2008-01-12;修回日期:2008-03-26 基金项目:西南大学研究生科技创新基金资助项目(2006011)作者简介:葛继科(1977-),男,河南濮阳人,博士研究生,主要研究方向为人工智能、语义网格(g j k i d@s .cn);邱玉辉(1938-),男,教授,博导,主要研究方向为人工智能、语义网格;吴春明(1972-),男,博士研究生,主要研究方向为网络技术;蒲国林(1971-),男,博士研究生,主要研究方向为人工智能.遗传算法研究综述*葛继科1,邱玉辉1,吴春明1,蒲国林2(1.西南大学计算机与信息科学学院,重庆400715;2.四川文理学院计算机科学系,四川达州635000)摘 要:介绍了遗传算法的基本工作原理和主要特点,讨论了遗传算法的理论、技术、存在问题及改进方法,概述了遗传算法的常见应用领域,分析了近五年国内对遗传算法的研究现状。
最后,进一步探讨了遗传算法的未来研究方向。
关键词:遗传算法;算子;优化;收敛性中图分类号:TP301.6 文献标志码:A 文章编号:1001-3695(2008)10-2911-06Sum m ary of geneti c a l gorithm s researchG E J-i ke 1,Q IU Y u -hu i 1,W U Chun -m i ng 1,PU G uo -li n 2(1.S c h ool of Compu ter&Infor m ation S cie n c e ,S outhw estUniversity ,Ch ong qi ng 400715,C hina;2.D e pt .o f Co m pu ter S cie nce ,S ic huan Uni -versit y of Arts&S cie n c e ,Dazhou S ic huan 635000,Ch i na )Abstract :Th is paper i ntroduced the h i story ,basic pri nciple and m ai n characters of genetic al gorith m s ,d i scussed t he theory ,technology ,lm i itati on and m i provi ngm easures about geneti c al gorith m.Then s u mm arized the m i p l e m entati on techni ques and app licati ons of genetic algorith m s ,anal yzed the research state of genetic al gorith m s i n Chi na duri ng t he past five years ,and poi nted out the genetic algorit h m s .research directi ons i n the fut u re .Key words :geneti c al gorith m (GA );operator ;optm i i zati on ;convergence 遗传算法是由美国M ich i gan 大学的H o lland 教授于1969年提出,后经D eJong 、G o ldberg 等人归纳总结所形成的一类模拟进化算法[1~3]。
经典人工智能算法综述
经典人工智能算法综述一、专家系统专家系统是人工智能领域最早的知识工程技术之一，该技术首次在20世纪70年代末提出。
专家系统利用专家知识来解决特定问题，主要包括知识表示、知识推理和知识获取等方面。
专家系统常常包括知识库、推理机、用户接口等组成部分，通过模拟专家的经验和知识，来完成推理和决策。
专家系统在医疗、金融、制造等领域得到了广泛的应用，例如Dendral系统是一个专家系统，用于分析气相色谱质谱仪的输出数据以确定化合物的结构。
二、遗传算法遗传算法是一种模仿自然进化过程的搜索优化算法，它通过模拟自然选择、交叉和变异等进化过程来搜索问题的最优解。
遗传算法最早是由美国的约翰·霍兰德于20世纪60年代提出的。
遗传算法主要包括编码、选择、交叉、变异等操作，通过不断进化生成适应度更高的解，从而找到问题的最优解。
遗传算法在优化问题、机器学习、数据挖掘等领域得到了广泛的应用，例如在大规模旅行商问题、神经网络权值优化等问题上展现出了优势。
三、模糊逻辑模糊逻辑是一种用于表示不确定性、模糊性信息的逻辑系统，它在20世纪70年代被提出。
模糊逻辑将传统的逻辑二元关系扩展到了模糊的多值逻辑关系，使得不确定性、模糊性信息能够得到有效的处理。
模糊逻辑主要包括模糊集合理论、模糊关系、模糊推理等内容，被广泛应用于人工智能、控制系统、信息检索等领域。
例如在智能控制系统中，模糊逻辑被用于建模、推理，实现了对复杂系统的精确控制。
四、人工神经网络人工神经网络是一种模仿生物神经网络结构和功能的计算模型，它借鉴了大脑中的神经元和突触结构。
人工神经网络可以通过学习来自动地调整网络的连接权值，从而实现对信息的处理和识别。
人工神经网络于20世纪50年代被提出，并在之后得到了不断的改进和发展。
人工神经网络在模式识别、控制系统、金融预测等领域展现出了优势，例如AlphaGo就是基于深度神经网络的围棋程序，击败了世界冠军。
五、规则学习规则学习是指利用训练数据自动学习出数据中的规则并进行预测和决策的技术。
数据分析知识：数据挖掘中的遗传算法
数据分析知识：数据挖掘中的遗传算法作为一种数据挖掘技术，遗传算法广泛应用于各个领域，如优化问题、机器学习、控制系统等。
它通过模拟自然选择的过程，不断迭代寻找最优解，具有灵活性、鲁棒性和高效性等优点，成为一种有效的数学工具。
本文将从遗传算法的概念、原理、基本过程及应用等方面进行介绍和探讨，希望对读者对遗传算法有一个全面的认识。
一、遗传算法的概念遗传算法是模拟生物进化过程中的自然选择、交叉、突变等规律，对经过编码后的个体进行迭代计算和优化，以寻找最优解的一种计算方法。
它将问题的求解转化为个体编码、适应度评价和遗传操作的过程，并通过重复执行演化过程，逐步优化目标函数的值。
遗传算法是一种鲁棒性强的优化方法，适用于各种类型的优化问题，如多维非线性优化、组合优化、约束优化等。
二、遗传算法的原理生物进化过程中存在自然选择、遗传变异和适应度评价等过程，遗传算法就是模拟这些过程进行计算和优化的。
其基本原理如下：1.个体表示：将问题中的候选解编码为某种形式的个体，如二进制编码、实数编码、字母编码等。
2.评价函数：评价函数用于度量每个个体的适应性或优越性，以便进行选择操作。
3.选择操作：选择操作根据评价函数的结果，选择具有高适应度的个体作为进化的基础，通常采用轮盘赌选择、锦标赛选择等方式。
4.交叉操作：交叉操作是将两个个体的编码进行配对交换，以获得新的个体，实现基因的交换和组合，通常采用单点交叉、多点交叉、均匀交叉等方式。
5.变异操作：变异操作是对个体编码中的某些基因随机改变，以增加搜索空间的多样性和可达性，避免进化陷入局部最优解。
通过选择、交叉和变异操作，遗传算法不断迭代，逐步搜索到最优解，达到优化目标函数的目的。
三、遗传算法的基本过程遗传算法的基本过程如下：1.初始化种群：将问题中所有可能的解编码为某种形式的个体，构成一个初始种群。
2.适应度评价：对每个个体进行评价函数计算，并根据适应度大小排序。
3.选择操作：根据某种选择操作方式（如轮盘赌选择、锦标赛选择等）选择具有较高适应度的个体作为进化的基础。
遗传算法与评价方法综述
遗传算法与评价方法综述摘要:一直以来，由于遗传算法的优异性，被广泛应用在各个领域；本文通过遗传的各个步骤和方法的介绍，便于学者理解，并指出算法的评价指标，为广大学者提供验算标准。
关键词：编码；初始化；交叉1遗传算法研究综述遗传算法是模拟达尔文生物进化论的计算模型，它通过模拟物种长期繁衍进化的过程，对要求解的问题进行全局自适应搜索，以搜索问题[1]。
1994 年，Aderson使用遗传算法研究了装配线平衡问题[2]。
2000年， Kim 等率先使用遗传算法求解双边装配线平衡问题[3]。
2009年，吴尔飞提出一种基于“序列组合”编码的遗传算法用于求解双边装配线的平衡问题[4]。
2014年，Arunkumar等以最小化生产节拍为优化目标，提出一种改进的遗传算法[5]。
2020年，李尚函提出一种双层结构的混合超启发式遗传算法求解模糊柔性作业车间调度问题[6]。
一直以来，由于遗传算法的优异性，被广泛应用在各个领域，然而，由于自身的缺点，使得广大学者根据各自的领域的特性进行优化，以达到最优解求解的结果。
2遗传算法概述2.1编码编码方式通常是根据问题的特性，将求解问题的可行解转化成遗传算法可以处理的搜索解。
常用的编码方式如下[7]：二进制编码、浮点数编码、实数编码、十进制编码。
2.2初始化种群初始种群是一个种群集合，是通过某种方式产生初始种群的过程，让算法能够对种群中的个体进行操作。
初始种群的产生方法一般有两种：（1）一种是在对问题的解无任何理论或实际研究经验的情况下，依靠随机性生成多组染色体，组成初始种群。
这种方法相对简单易行，能够实现初始种群中染色体的多样性，便于扩大搜索空间。
然而，随机选择可能会产生比较多的无效解，可能会增大搜索的难度；（2）将已经实验经验或者研究的方法转化为约束条件，然后根据这些条件进行随机选择，并生成一定数量的染色体，组成初始种群。
这种方法，能够避免无效的搜索，有助于遗传算法快速收敛。
基于遗传算法的数据挖掘方法及应用
（ ． ｐ ｒ ｎ ｆＣｏ ｕ ｅ ｃ ｅ ｃ ，Ｈｕ ａ ｇ ｎ ｅ ｎ ｎ ｔ ｕ ｅ １ Ｄｅ ａ ｔ ｍｅ ｔ ｍｐ ｔｒＳ ｉ ｎ ｅ ｏ ｎ ｎ Ｅｎ ｉ ｅ ｒ ｇ Ｉ ｓｉ ｔ，Ｘｉ ｎ ｔｎ ４ １ ０１ Ｃｈ ｎ ； ． ｃ ｏ ｌ ｆＩ ｆ ｒ ｔ ｎ Ｓ ｓｅ ｉ ｔ ａ ｇ ａ １ １ ， ｉ ａ ２ Ｓ ｈ ｏ ｎ ｏ ｍａ ｉ ｙ ｔ ｍ ｏ ｏ
维普资讯
第２ ７卷
程
大
学
学
报
Ｖ １７ Ｓ ｐｌ ｏ． ｕ ｐ ２ Ｊ １２ ０ ｕ． ０ ６
２０ ０ ６年 ７月
Ｊ ｕ ｎ ｌ ｏ Ｈａ ｂ ｎ Ｅ ｇ ｎ ｅ ｎ Ｕｎ ｖ ｒ ｉ ｏ ｒ ａ ｆ ｒ ｉ ｎ ｉｅｒ ｇ ｉ ｉ ｅ ｓｔ ｙ
ｓｍ ｌ ｒ ｂ ｅ ． ｅｅ ｄ ｏ ｉ ｐ ｐ ｒ ｔｅ ｅ ｐ ｒｍｅ ｔ ｌ ｅ ｕ ｔ ａ ｅｓ ｏ ａ ｅｐ ｏ ｏ ｅ ｐ ｒ ａ ｈ ｈ ｓｇ ｏ ｅ ｏ ａ ｃ ｉ ａ ｐ ｏ ｌｍｓ Ａｔ ｈ ｎ ｆｔ ｓ ａ ｅ ， ｘ ｅ ｉ ｒ ｔ ｈ ｈ ｉ ｎ ａ ｓ ｌ ｈ ｖ ｈ ｗｎ ｔ ｔ ｒ ｐ ｓ ｄ ａ ｐ ｏ ｃ ａ ｏ ｄｐ ｒ ｒ ｎ ｅ ｒ ｓ ｈ ｔ ｈ ｆ ｍ
关键字 ：遗传算法；数据挖掘；车间作业 调度 ：规则 中图分类号：Ｔ １ ，Ｔ ３ ２ Ｐ ８ Ｐ １ 文献标识码：Ａ 文章编号 ：１０ —０ ３ ２ ０ ） ０ ８—５ ０ ６７ ４ （０ ６增一３ ４０
Ｔｈ ａ ａ ｍ ｉ ｉ ｇａ ｇ ｒｔ ｍ ａ ｅ ｎ ｇ ｎ ｔｃａ ｇ ｒｔ ｍ ｎ ｓａ ｐ ｉａ ｉ ｎ ｅｄ ｔ ｎ ｎ ｌ ｏ ｉｈ ｂ ｓ ｄ ｏ ｅ ｅ ｉ ｌ ｏ ｉ ｈ ａ ｄ ｉ ｐ ｌ ｔｏ ｔ ｃ
基于遗传算法与神经网络混合算法的数据挖掘技术综述
基于遗传算法与神经网络混合算法的数据挖掘技术综述摘要：数据挖掘是对大型数据库的数据进行统计分析、提取信息的方法，其基础是人工智能技术。
遗传算法和神经网络是人工智能技术中最重要的技术。
通过对遗传算法和神经网络的特征分析，阐述了遗传算法与神经网络混合算法在数据挖掘中的应用，指出了数据挖掘技术未来发展的方向。
关键词：数据挖掘；数据库；遗传算法；神经网络1遗传算法基本特征遗传算法是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型，是一种具有广泛适用性的通用优化搜索方法。
遗传算法主要借用了生物遗传学的观点，通过自然选择、遗传和变异等作用机制来产生下一代种群，如此逐代进化，直至得到满足要求的后代即问题的解，是一种公认的全局搜索能力较强的算法。
遗传算法有良好智能性，易于并行，减少了陷于局部最优解的风险。
遗传算法的处理对象不是参数本身，而是对参数集进行了编码的个体，可以直接对集合、队列、矩阵、图表等结构进行操作。
同时，在标准的遗传算法中，基本上不用搜索空间的知识或其它辅助信息，而仅用适应度函数值来评估个体，并在此基础上进行遗传操作；遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜寻方向。
正是这些特征和优点，使得遗传算法在数据挖掘技术中占有很重要的地位，既可以用来挖掘分类模式、聚类模式、依赖模式、层次模式，也可用于评估其它算法的适合度。
2神经网络基本特征神经网络是人脑或自然神经网络若干基本特征的抽象和模拟，是以大量的、同时也是很简单的处理单元（神经元）广泛地互相连接形成的复杂非线性系统。
人工神经网络本质上是一个分布式矩阵结构，它根据样本的输入输出对加权法进行自我调整，从而近似模拟出输入、输出内在隐含的映射关系。
建模时，不必考虑各个因素之间的相互作用及各个因素对输出结果的影响机制，这恰好弥补了人们对各个因素及对输出结果的机制不清楚的缺陷，从而解决众多用以往方法很难解决的问题。
神经网络具有大规模的并行处理和分布式的信息存储，有良好的自适应、自组织性，学习能力很强，有较强的联想功能和容错功能，在解决机理比较复杂、无法用数学模型来刻画的问题，甚至对其机理一无所知的问题等，神经网络方法特别适用，是一种用于预测、评价、分类、模式识别、过程控制等各种数据处理场合的计算方法，其应用已经渗透到多个领域，在计算机视觉、模式识别、智能控制、非线性优化、信号处理、经济和机器人等方面取得了可喜的进展。
数据挖掘中的软计算方法及应用综述-最新范文
数据挖掘中的软计算方法及应用综述1在过去的数十年中,随着计算机软件和硬件的发展,我们产生和收集数据的能力已经迅速提高。
许多领域的大量数据集中或分布的存储在数据库中[1][2],这些领域包括商业、金融投资业、生产制造业、医疗卫生、科学研究,以及全球信息系统的万维网。
数据存储量的增长速度是惊人的。
大量的、未加工的数据很难直接产生效益。
这些数据的真正价值在于从中找出有用的信息以供决策支持。
在许多领域,数据分析都采用传统的手工处理方法。
一些分析软件在统计技术的帮助下可将数据汇总,并生成报表。
随着数据量和多维数据的进一步增加,高达109的数据库和103的多维数据库已越来越普遍。
没有强有力的工具,理解它们已经远远超出了人的能力。
所有这些显示我们需要智能的数据分析工具,从大量的数据中发现有用的知识。
数据挖掘技术应运而生。
数据挖掘就是指从数据库中发现知识的过程。
包括存储和处理数据,选择处理大量数据集的算法、解释结果、使结果可视化。
整个过程中支持人机交互的模式[3]。
数据挖掘从许多交叉学科中得到发展,并有很好的前景。
这些学科包括数据库技术、机器学习、人工智能、模式识别、统计学、模糊推理、专家系统、数据可视化、空间数据分析和高性能计算等。
数据挖掘综合以上领域的理论、算法和方法,已成功应用在超市、金融、银行[4]、生产企业[5]和电信,并有很好的表现。
软计算是能够处理现实环境中一种或多种复杂信息的方法集合。
软计算的指导原则是开发利用那些不精确性、不确定性和部分真实数据的容忍技术,以获得易处理、鲁棒性好、低求解成本和更好地与实际融合的性能。
通常,软计算试图寻找对精确的或不精确表述问题的近似解[6]。
它是创建计算智能系统的有效工具。
软计算包括模糊集、神经网络、遗传算法和粗集理论。
2数据挖掘中的软计算方法目前,已有多种软计算方法被应用于数据挖掘系统中,来处理一些具有挑战性的问题。
软计算方法主要包括模糊逻辑、神经网络、遗传算法和粗糙集等。
- 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)。
基于遗传算法的数据挖掘综述朱玲(江西理工大学信息工程学院，赣州市中国 341000)摘要：本文定义了遗传算法概念和理论的来源，介绍遗传算法的研究方向和应用领域，解释了遗传算法的相关概念、编码规则、三个主要算子和适应度函数，描述遗传算法计算过程和参数的选择的准则，并且在给出的遗传算法的基础上结合实际应用加以说明。
关键词：数据挖掘;遗传算法Data Mining Based on Genetic AlgorithmZhu Ling(College of Information Engineering, Jiangxi University of Science and Technology, Ganzhou, China 341000) Abstract:This paper defines the concept of genetic algorithm and the source of the theory, introduces the research direction and application field of genetic algorithm, explains the related concepts, coding rules, three main operators and fitness functions of genetic algorithm, describes the genetic algorithm calculation process and Parameter selection criteria, and in the given genetic algorithm based on the combination of practical applications to be explained.Key words: data mining; genetic algorithm前言遗传算法(genetic algorithm，GAs)试图计算模仿自然选择的过程，并将它们运用于解决商业和研究问题。
遗传算法于20世界六七十年代由John Holland[1] 发展而成。
它提供了一个用于研究一些生物因素相互作用的框架，如配偶的选择、繁殖、物种突变和遗传信息的交叉。
在自然界中，特定环境限制和压力迫使不同物种竞争以产生最适应于生存的后代。
在遗传算法的世界里，会比较各种候选解的适合度，最适合的解被进一步改进以产生更加优化的解。
遗传算法借助了大量的基因术语。
遗传算法的基本思想基于达尔文的进化论和孟德尔的遗传学说，是一类借鉴生物界自然选择和自然遗传机制的随机搜索算法。
生物在自然界的生存繁殖，显示对其自然环境的优异自适应能力。
受其启发，人们致力于对生物各种生存特性的机制研究和行为模拟。
通过仿效生物的进化与遗传，根据“生存竞争”和“优胜劣汰”的原则，借助选择、交叉、变异等操作，使所要解决的问题从随机初始解一步步逼近最优解。
现在已经广泛的应用于计算机科学、人工智能、信息技术及工程实践。
[2]在工业、经济管理、交通运输、工业设计等不同领域，成功解决了许多问题。
例如，可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。
遗传算法作为一类自组织于自适应的人工智能技术，尤其适用于处理传统搜索方法难以解决的复杂的和非线性的问题。
1.遗传算法的应用领域和研究方向1.1遗传算法的特点遗传算法作为一种新型、模拟生物进化过程的随机化搜索方法，在各类结构对象的优化过程中显示出比传统优化方法更为独特的优势和良好的性能。
它利用其生物进化和遗传的思想，所以它有许多传统算法不具有的特点[3]：※搜索过程不直接作用在变量上，而是作用于由参数集进行了编码的个体上。
此编码操作使遗传算法可以直接对结构对象进行操作。
※搜索过程是从一组解迭代到另一组解，采用同时处理群体中多个个体的方法，降低了陷入局部最优解的可能性，易于并行化。
※采用概率的变迁规则来指导搜索方向，不采用确定性搜索规则。
※对搜索空间没有任何的特殊要求，只利用适应度信息，不需要其它辅助信息，适应范围广。
※对于给定的问题，可以产生许多的潜在解，最总选择可以由使用者确定。
遗传算法的优越性只要表现在：首先他在搜索过程中不容易陷入局部最优，即使在定义的适应值函数是不连续的、非规则的或是有噪声的情况下，它也能以很大的概率找到整体最优解；其次由于它固定的并行性，遗传算法非常适合于大规模的并行计算机。
※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，广泛适用于很多科学。
1.2遗传算法的应用领域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估的常用算例。
很多人构造出的各种各样的复杂形式的测试函数，有连续函数也有离散函数，有凸函数也有凹函数，有低维函数也有高维函数，有确定函数也有随机函数，有但峰值函数也有多峰值函数等。
用这些几何特性各具特色的函数来评价遗传算法的性能，更能反映算法的本质效果。
而对于一些非线性、多模型、多目标的函数优化问题，用其他优化方法比较难求解，而遗传算法却是可以方便的得到较好的结果。
2．组合优化随着问题规模增大，组合优化问题的搜索空间也急剧扩大，有时在目前的计算机上用枚举法很难或不可能求解精确最优解。
对这类复杂问题，人们已经意识到应把主要精力放在求其满意解上，而遗传算法是寻求这种满意解定的最佳工具之一。
实践证明，遗传算法已经在求解旅行商问题、背包问题、装箱问题、布局优化、图形划分问题等各种具有NP难度的问题得到成功应用。
3．自动控制在自动控制领域中有很多优化相关的问题需要求解，遗传算法已在其中得到初步的应用，并显示出良好的效果。
例如用遗传算法进行航空控制系统的优化、使用遗传算法设计空间交回控制器、基于遗传算法的模糊控制器的优化设计、基于遗传算法的参数辨识、基于遗传算法的模糊控制规则的学习、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，都显示出遗传算法在这些领域的应用可行性。
4．图像处理图像处理是计算机视觉中的一个重要研究领域。
在图像处理过程中，如扫描、特征提取、图像分割等不可避免的存在一些误差，从而会影响图像的效果。
如何使这些误差最小是使计算机视觉达到实用化的重要要求。
遗传算法在这些图像处理中优化计算方面找用武之地。
目前已在模式识别、图像恢复、图像边缘特征提取等方面取得了应用。
5．数据挖掘数据挖掘是近几年出现的数据库技术，它能够从大型的数据库中提取隐含的、先前未知的、有潜在应用价值的知识和规则。
许多数据挖掘问题可视为搜索问题，数据库视为搜索空间，挖掘算法视为搜索策略。
因此，应用遗传算法在数据库中进行搜索，对随机产生的一组规则进行进化，直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则。
遗传算法已经成为数据挖掘的重要有效方法之一。
6．复杂性科学在复杂性问题的研究中，遗传算法也崭露头角。
什么叫复杂性问题，各家看法不一。
共同认识还是有的，即是复杂性问题应用是多层次、多因素、其相互作用是非线性、不确定和不稳定的，这样的学习问题自然属复杂性研究的范畴。
事实上，在复杂系统例如适应性系统学习策略的研究中，遗传算法占有重要位置。
由于介质参数的模型非常大，同时观测数据不完备、噪音的存在、源的情况复杂未知。
很难用传统的方法求得目标函数的全局最优值，而只能求一定意义下的“满意解”。
这时，可供选择的方法之一自然是遗传算法。
1.3遗传算法的研究方向遗传算法是多学科结合与渗透的产物，已经发展成为一种自组织、自适应的综合技术，广泛应用在计算机科学、工程技术和社会学领域。
[4]遗传算法的基础理论、数学模型主要集中在对于算法的收敛性、复杂性、收敛速度的研究上。
遗传算法在操作上突出特点是具有高度的并行性。
还有在与神经网络方向相结合，成功的用于从时间序列分析来进行财政预算。
开发遗传算法的的商业软件、开拓更广泛的遗传算法应用领域也是今后的主要任务。
遗传算法是21世纪有关智能计算术中的关键之一。
是十分活跃的研究领域，正在从理论深度、技术的多样化以及应用的广度不断探索。
2.遗传算法的编码规则编码机制是GA（遗传算法）的基础，编码是遗传算法主要解决的首要问题。
GA不是对研究对象直接进行讨论，而是通过某种编码机制把对象统一赋予有特定符号按一定顺序排成的串。
将问题的解转换成基因序列的过程称为编码。
反之，将基因转换成问题的解的过程成为解码。
对GA的码可以有十分广泛的的理解。
在优化问题方面，一个串对应于一个可能解；在分类问题的方面，串可以解释为一个规则。
即串的前半部为输入或前件，后半部分为输出或后件、结论等。
对于任何应用遗传算法解决实际问题，都要必须将解的表达方法和相关问题领域的特点结合起来分析考虑。
图一：编码空间与解空间从图一中可见，遗传算法的一个显著特点是它交替地在编码空间和解码空间中工作，它在编码空间对染色体进行遗传运算，而在解空间对解进行评估和选择。
自然选择联结了染色体和它所表达的解的性能当用遗传算法算法解问题，必须在问题空间对遗传算法的个体基因结构之间建立联系，即确定编码和解码方案。
一般来说，由于遗传算法计算过程的鲁棒性，他对编码的要求并不苛刻，但是编码的策略对于遗传算子，尤其是对交叉和变异算子的功能和设计有很大影响。
评估编码机制的一般采用一下三种规范：（1）完备性：问题空间中的所有点都能作为GA 空间中的点表现；（2）健全性：GA空间中的染色体能对应所有问题空间中的候选解；（3）非冗余性：染色体和候选解一一对应。
2.1几种常见的编码机制1.二进制编码二进制编码采用得到了Holland早期理论结果的支持，它是遗传算法中最常用的一种编码方法。
优点为（1）编码、解码操作简单易行；（2）交叉、变异操作便于实现；（3）符合最小字节符集编码原则；（4）便于利用模式定理对算法进行理论分析。
2.格雷码编码对于一些连续优化问题，二进制编码由于遗传算法的随机特性而使其局部搜索功能力较差。
为改进这一特点，人们提出了格雷码。
它的方法是二进制编码方法的一种变形。
它是这样的一种编码方法，其连续的两个整数所对应的编码值之间仅仅只有一个码位是不相同的，其余位都是完全相同。
3．实数编码对于一些多维、高精度要求1的连续函数优化问题，使用二进制编码来表示个体将会带来一些不利。
例如，二进制编码存在着连续函数离散化的映射误差，同时不便于反映所求问题的特定知识。
为了克服这些缺点，人们提出了实数编码方法，即个体的每个基因值用实数表示。
3.遗传算法的主要算子遗传算子最重要的算子有三种：选择、交叉、变异。
选择体现“适者生存”原理，通过适应值选择优质个体而抛弃劣质个体。