进化计算论文
基于进化计算的地毯图案生成方法
基于进化计算的地毯图案生成方法赵海英;彭宏;张小利【摘要】新疆民族地毯图案具有独特的地域性、民族性和风格,如何保留和传承其风格特征是图案创新设计的难点.提出一种基于进化计算的创新设计方法.可通过分解地毯图案,分析其组成元素,抽取具有表征风格的特征予以进化计算,再生新型纹样,设计中还可以调整图案内容及结构来丰富花型变化,并通过不同顺序关系中元素组合增强图案的表现力,仿真实验表明该方法实现了生成具有风格化的创新图案,借助于主客观评价模型得到很高地认可.【期刊名称】《图学学报》【年(卷),期】2015(036)001【总页数】6页(P41-46)【关键词】进化计算;图案生成;图案基因;创新设计【作者】赵海英;彭宏;张小利【作者单位】北京邮电大学世纪学院移动媒体与文化计算北京市重点实验室,北京102613;新疆师范大学网络教育学院,新疆乌鲁木齐830054;北京邮电大学世纪学院移动媒体与文化计算北京市重点实验室,北京102613【正文语种】中文【中图分类】TP391图案创新设计是计算机应用领域中一个崭新而又活跃的重要分支[1-6]，它的应用面极广，且对国民经济建设有着重大作用。
如何利用计算机自动生成新疆民族地毯图案是一个富有挑战的研究课题。
新疆民族织物图案的组成比较复杂，时空跨度大、花型多、风格各异，包含了许多蜿蜒的、不规则的几何图形和植物纹。
使得图案难以用传统的曲线或曲面描述，给图案特征提取与创新设计带来很大困难。
该课题的研究难点在于：图案花型种类较少；设计的图案不能传承一定风格，缺少文化内涵的揭示；而各种新工具、新技术的出现仍然需要新的设计方法。
进化设计是基于图案原来规则和设计经验，创新设计是一种风格的传承、变异和组合模式，通过创新将设计出更多具有新风格的地毯图案。
因此，该文引入进化计算来传承具有一定民族风格的新疆地毯图案。
艺术设计工作中很大一部分工作是艺术图案设计[7]，如轻纺行业的花布和地毯的花纹图案与色彩设计；服装行业的服装款式设计、排料和放样及衣料裁切设计等。
MOEAD(基于分解的多目标进化算法)
基于分解的多目标进化算法摘要：在传统的多目标优化问题上常常使用分解策略。
但是，这项策略还没有被广泛的应用到多目标进化优化中。
本文提出了一种基于分解的多目标进化算法。
该算法将一个多目标优化问题分解为一组？？？单目标优化问题并对它们同时优化。
通过利用与每一个子问题相邻的子问题的优化信息来优化它本身，这是的该算法比MOGLS和非支配排序遗传算法NSGA-Ⅱ相比有更低的计算复杂度。
实验结果证明：在0-1背包问题和连续的多目标优化问题上，利用一些简单的分解方法本算法就可以比MOGLS和NSGA-Ⅱ表现的更加出色或者表现相近。
实验也表明目标正态化的MOEA/D算法可以解决规模范围相异的多目标问题，同时使用一个先进分解方法的MOEA/D可以产生一组分别非常均匀的解对于有3个目标问题的测试样例。
最后，MOEA/D在较小种群数量是的性能，还有可扩展性和敏感性都在本篇论文中通过实验经行了相应的研究。
I.介绍多目标优化问题可以用下面式子表示：Maximize F(x)=((f1(x)…...f m(x))Tsubject to x∈Ω其中Ω是决策空间，F：Ω→R m，包含了m个实值目标方法，R m被称为目标区间。
对于可以得到的目标集合成为{F(x)|x∈Ω}。
如果x∈R m，并且所有的目标函数都是连续的，那么Ω则可以用Ω={x∈R n|h j(x)≤0,j=1……m}其中hj是连续的函数，我们可以称(1)为一个连续的多目标优化问题。
如果目标函数互斥，那么同时对所有目标函数求最优解往往是无意义的。
有意义的是获得一个能维持他们之间平衡的解。
这些在目标之间获得最佳平衡的以租借被定义Pareto最优。
令u, v∈Rm，如果u i≥v i对于任意的i，并且至少存在一个u j≥v j(i,j∈{1…..m})，那么u支配v。
如果在决策空间中，没有一个点F(y)能够支配F(x)点，那么x就是Pareto最优，F(x)则被称为Pareto最优向量。
差分进化算法及其应用研究
第四，针对建模在应用中带来的不便，以及不确定性的因素造成的被控对象 时变和非线性，基于ＩＴＡＥ控制律，提出了差分进化ＰＩＤ控制器在线进化结构， 实现了ＰＩＤ参数在线整定。该方法不要求事先获取被控对象的精确数学模型，因 而具有一定的工程应用价值。
关键词：进化计算、差分进化、差分策略、早熟收敛、ＰＩＤ整定
河海大学硕士学位论文
Ａｂｓｔｒａｃｔ
Ｄｉｆｆｅｒｅｎｔｉａｌ Ｅｖｏｌｕｔｉｏｎ（ＤＥ）ｉＳ ａ ｈｅｕｒｉｓｔｉｃ ｏｐｔｉｍｉｚａｔｉｏｎ ａｌｇｏｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｐｏｐｕｌａｔｉｏｎ ｄｉｖｃｒｓｉｔｙ．Ｄｕｅ ｔＯ ｉｔｓ ｓｉｍｐｌｅ ｓｔｒｕｃｔｕｒｅ，ｌｅｓｓ ｃｏｎｔｒｏｌ ｐａｒａｍｅｔｅｒｓ ａｎｄ ｇｏｏｄ ｒｏｂｕｓｔｎｅｓｓ．ＤＥ ｈａｓ ｒｅｃｅｉｖｅｄ ｍｏｒｅ ａｎｄ ｍｏｒｅ ａｔｔｅｎｔｉｏｎ ｂｙ ｒｅｓｅａｒｃｈｅｒｓ ａｎｄ ｉｓ ｗｉｄｅｌｙ ｕｓｅｄ ｉｎ ｍａｎｙ ｐｒａｃｔｉｃｅｓ．Ｔｈｅｒｅ ａｒｅ ｍａｎｙ ｄｉｆｆｅｒｅｎｔｉａｌ ｓｔｒａｔｅｇｉｅｓ．Ｔｈｅ ｔｙｐｉｃａｌ ｓｔｒａｔｅｇｉｅｓ ａｍｏｎｇ ｔｈｅｍ ｗｈｉｃｈ ａｔｔｒａｃｔｅｄ ｍｏｒｅ ａｔｔｅｎｔｉｏｎ ａｎｄ ｇｏｔ ｍｏｒｅ ａｐｐｌｉｃａｔｉｏｎ ｂｔｉｔ ｓｔｉｌｌ ｏｗｎｅｄ ｃｅｒｔａｉｎ ｆａｕｌｔｓ ａｒｅ ＤＥ／ｒａｎｄ／１ ａｎｄ ＤＥ／ｂｅｓｔ／１．Ｐｒｅｍａｔｕｒｅ ｃｏｎｖｅｒｇｅｎｃｅ ａｎｄ ｌｏｅａｌ ｓｅａｒｃｈｉｎｇ ａｂｉｌｉｔｙ ａｌｅ ｓｔｉｌｌ ｔｈｅ ｍａｉｎ ｉｓｓｕｅ．Ｓｏ ｆｏｒ ｅｎｈａｎｃｉｎｇ ｔｈｅ Ｉｘ＇ｒｆｏｒｍａｎｃｅ ｏｆＤＥ，ｉｔ ｉｓ
进化算法的发展与应用-概述说明以及解释
进化算法的发展与应用-概述说明以及解释1.引言1.1 概述概述进化算法作为一种重要的优化技术，近年来在各个领域得到了广泛的应用和研究。
它受到了生物进化过程的启发，并将其原理与计算模型相结合，以求解各类复杂的优化问题。
进化算法通过模拟自然界中的进化过程，在搜索空间中不断地生成和改进候选解，最终找到问题的最优解或接近最优解。
进化算法的核心思想是基于适者生存的原理，即通过自然选择和遗传机制，将优秀的解保留下来，并通过交叉和变异等操作产生新的解，以期望在搜索过程中不断地向着更好的解靠近。
与传统的优化算法相比，进化算法具有自适应性、全局搜索能力强、对问题结构和约束条件的适应性较好等优势，并在各个领域中展现出了出色的性能。
本文将首先介绍进化算法的起源，包括对进化算法的最早研究以及后来的发展历程进行概述，探讨其基本原理和核心思想。
接着，将详细讨论进化算法在优化问题中的应用，并重点探究其在不同领域中的具体应用案例。
同时，也会对进化算法的优势和局限性进行分析和评价，以期使读者全面了解该算法的特点和适用范围。
最后，本文将展望进化算法的未来发展方向，并提出一些可能的改进和创新方案，以促进该领域的进一步研究和应用。
通过本文的阅读，读者将全面了解进化算法的发展历程、基本原理和在优化问题中的应用情况，对该算法的优势和局限性有所认识，并能够对其未来的发展方向进行预测和思考。
同时，本文也将为相关领域的研究者和工程师提供一些有益的参考和启示，以便在实际应用中更好地利用进化算法解决各类现实问题。
文章结构的设计是为了确保文章的逻辑和思路清晰，让读者能够更好地理解和接受所要表达的内容。
本文将按照如下结构进行展开：1. 引言1.1 概述1.2 文章结构1.3 目的2. 正文2.1 进化算法的起源2.2 进化算法的基本原理2.3 进化算法的发展历程3.1 进化算法在优化问题中的应用3.2 进化算法的优势和局限性3.3 进化算法的未来发展方向文章结构的设计主要是为了让读者能够系统性地了解进化算法的发展与应用。
ieeetransactionson进化计算模板
ieeetransactionson进化计算模板（原创版）目录1.IEEE Transactions on Evolutionary Computation 简介2.进化计算模板的作用3.进化计算模板的结构和内容4.使用进化计算模板的注意事项5.结论正文IEEE Transactions on Evolutionary Computation（IEEE 进化计算论文集）是由 IEEE 出版的一份权威性学术期刊，致力于发表进化计算领域的前沿研究成果。
进化计算是一种模拟自然进化过程的优化算法，广泛应用于各种复杂问题的求解。
在进化计算的研究和应用过程中，模板发挥着至关重要的作用。
一、进化计算模板的作用进化计算模板是一种规范化的文本结构，用于描述进化算法的设计和实现。
通过使用模板，研究者可以更加清晰、简洁地表述其算法的思想、原理和实现细节，从而提高学术论文的可读性和可复现性。
同时，模板也有助于编辑和审稿人员对论文进行快速、准确的评估。
二、进化计算模板的结构和内容进化计算模板通常包括以下几个部分：1.引言：简要介绍进化计算的背景、相关工作和研究目的，引出本文的研究内容。
2.算法描述：详细阐述进化算法的设计思路、原理和关键步骤，包括种群初始化、选择、交叉、变异和适应等操作。
3.适应度函数：介绍适应度函数的定义和计算方法，以及如何根据适应度函数对个体进行评价和筛选。
4.实验设计与结果分析：描述实验的设置、参数配置和评估指标，展示实验结果，并分析算法性能。
5.讨论与结论：总结本研究的主要发现和贡献，指出算法的优缺点，提出改进方向和潜在应用领域。
三、使用进化计算模板的注意事项在使用进化计算模板撰写论文时，需要注意以下几点：1.保持简洁明了：避免冗长的叙述，尽量用简练的文字描述算法原理和实验过程。
2.逻辑清晰：确保文章结构合理，内容连贯，便于读者理解和阅读。
3.严谨客观：在描述实验结果时，要真实、客观地反映算法性能，避免夸大其词。
进化计算文献综述
分数: ___________任课教师签字：___________ 华北电力大学研究生结课作业学年学期：2011-2012第二学期课程名称：人工智能与知识工程学生姓名：刘鹏学号：2112221004提交时间：2012年4月11日遗传算法介绍1.1 遗传算法的基本思想现代科学理论研究与实践中存在着大量与优化、自适应相关的问题，但除了一些简单的情况之外，人们对大型复杂系统的优化和自适应问题仍然无能为力。
然而，自然界的生物却在这一方面表现出了气优异的能力，它们能以优胜劣汰、适者生存的进化规则生存和繁衍，并逐步产生对其生存环境自适应很高的优良品种。
遗传算法正是借鉴生物的自然选择和遗传进化机制而开发出的一种全局优化自适应概率搜索算法。
遗传算法（Genetic Algorithm）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，是一种通过模拟自然进化过程搜索最优解的方法。
基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多不同的遗传算子来模仿不同环境的生物遗传特性。
这样，由于不同的编码方法和不同的遗传算子就构成了各种不同的遗传方法。
但这些遗传方法都有共同的特点，即通过对生物的遗传和进化过程中的选择、交叉、变异机理的模仿，来完成对问题最优解的自适应搜索过程。
遗传算法使用群体搜索技术，通过对当前群体施加选择、交叉、变异等一系列遗传操作，从而产生出新的一代群体，并逐步使群体进化到包含或接近最优解的状态。
1.2遗传算法的一般特点遗传算法是解决搜索问题的一种通用算法，对于各种通用问题都可以使用。
其中，遗传算法基于染色体群的并行搜索，带有猜测性质的选择操作、交换操作和突变操作。
这种特殊的组合方式将遗传算法与其它搜索算法区别开来。
遗传算法具有以下几方面的特点：(1)遗传算法从问题解的串集开始嫂索，而不是从单个解开始。
这是遗传算法与传统优化算法的极大区别。
ieeetransactionson进化计算模板
ieeetransactionson进化计算模板【原创版】目录1.IEEE Transactions on Evolutionary Computation 简介2.进化计算的概念和应用3.IEEE Transactions on Evolutionary Computation 的投稿要求4.该期刊的影响力和评价正文IEEE Transactions on Evolutionary Computation（简称 IEEE TEC）是由电气和电子工程师协会（IEEE）出版的一份学术期刊，致力于发表进化计算领域的原创研究论文。
进化计算是一种模拟自然进化过程的优化算法，广泛应用于各种工程和科学问题中。
进化计算的概念和应用进化计算是受自然界生物进化过程启发而产生的一种优化算法。
它使用一组随机生成的解决方案，并通过迭代选择、交叉和变异操作来改进这些解决方案，以解决复杂的优化问题。
这种算法在许多领域都有应用，例如机器学习、信号处理、控制系统和计算机视觉等。
IEEE Transactions on Evolutionary Computation 的投稿要求向 IEEE TEC 投稿需要满足一定的要求。
首先，论文必须是原创研究，且未曾在其他期刊或会议上发表。
其次，论文应包括问题陈述、相关工作综述、算法描述、实验验证和结论等部分。
此外，论文的语言应清晰、准确，并符合 IEEE 的格式要求。
该期刊的影响力和评价IEEE Transactions on Evolutionary Computation 是进化计算领域的顶级期刊，具有很高的学术影响力。
它为读者提供了关于进化计算理论和应用的最新研究成果，对相关领域的学者和工程师具有重要的参考价值。
同时，该期刊的审稿过程严格，确保了所发表论文的质量。
基于进化算法的优化平台设计
１引言国内自行研制的数学规划（ＭａｔｈｅｍａｔｉｃａｌＰｒｏｇｒａｍｍｉｎｇ）优化软件极其罕见，但在国际上它是一个很大的产业。
例如，美国ＬＩＮＤＯ系统公司研发的ＬＩＮＤＯ、ＬＩＮＧＯ优化软件已装备了全球财富５００强中一半还多的企业———包括ＴＯＰ２５强中的２３个；其实，包括ＬＩＮＤＯ和ＬＩＮＧＯ优化软件在内，全球可搜索到的优化软件共有１９８个之多，其中光数学规划问题的模型化（或者说描述）语言就有２０种之多。
不过，从技术和性能层面看，国际国内优化软件还有待做进一步提升。
比如，现有的绝大多数优化软件都是采用经典的局部优化技术，对普遍存在的多极值非凸优化问题显得力不从心。
目前，全球面向非凸问题而采用全局优化技术的优化软件只查到９款。
不但如此，这９款软件还采用的只是一些简单的全局优化手段，如ＡＳＡ软件采用的自适应模拟退火算法、ＬＩＮ－ＧＯ、ＬＧＯ和Ｍａｔｈｅｍａｔｉｃａ等采用的是多次启动（ＭｕｌｔｉＳｔａｒｔ）的方法等。
截至目前，尚未真正发现有采用科学研究中十分流行的进化算法（或遗传算法）来进行全局寻优的优化软件。
最新的Ｍａｔｌａｂ７．０中有一个遗传算法工具箱［１］，确切地说，它是一个研究优化问题或者研究遗传算法本身的工具，而不是一个面向一类优化问题的平台。
虽然该工具箱中有一个基于图形化界面的ＧＡＴＯＯＬ，它可以用于优化一些问题，但对一般性的约束优化问题，基于它优化时还需要用户编写文本形式的源程序、或进行多次命令行交互，特别是该工具参数和选项太多，用户不易使用。
所谓优化平台应该是：支持一大类优化问题的求解，除定义优化问题外，用户不必再编写文本形式或其他形式的源程序，而且，算子及其参数要简洁，用户要能方便地进行选择调整，越“傻瓜”越好，同时计算效率和精度也要尽量高。
２进化优化平台的关键技术分析一类常见优化问题———单目标函数优化问题，是优化软件应支持求解的基本问题，可描述如下：基于进化算法的优化平台设计刘红星，肇莹，朱博，高敦堂ＬＩＵＨｏｎｇ－ｘｉｎｇ，ＺＨＡＯＹｉｎｇ，ＺＨＵＢｏ，ＧＡＯＤｕｎ－ｔａｎｇ南京大学电子科学与工程系，南京２１００９３ＤｅｐａｒｔｍｅｎｔｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅａｎｄＥｎｇｉｎｅｅｒｉｎｇ，ＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９３，ＣｈｉｎａＥ－ｍａｉｌ：ｎｊｈｘｌｉｕ＠ｎｊｕ．ｅｄｕ．ｃｎＬＩＵＨｏｎｇ－ｘｉｎｇ，ＺＨＡＯＹｉｎｇ，ＺＨＵＢｏ，ｅｔａｌ．Ｄｅｓｉｇｎｏｆｏｐｔｉｍｉｚａｔｉｏｎｐｌａｔｆｏｒｍｕｓｉｎｇｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍ．ＣｏｍｐｕｔｅｒＥｎｇｉｎｅｅｒｉｎｇａｎｄＡｐｐｌｉｃａｔｉｏｎｓ，２００７，４３（１）：１００－１０３．Ａｂｓｔｒａｃｔ：Ｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｓｏｆｔｗａｒｅ，ｏｎｌｉｎｅａｒｐｒｏｇｒａｍｍｉｎｇａｎｄｎｏｎｌｉｎｅａｒｐｒｏｇｒａｍｍｉｎｇ，ｉｓｐｌａｙｉｎｇｍｏｒｅａｎｄｍｏｒｅｉｍｐｏｒｔａｎｔｒｏｌｅｉｎｓｏｃｉａｌ，ｅｃｏｎｏｍｉｃａｎｄｅｎｇｉｎｅｅｒｉｎｇａｒｅａｓ．Ｔｈｅｃｕｒｒｅｎｔｏｐｔｉｍｉｚａｔｉｏｎｓｏｆｔｗａｒｅｕｓｕａｌｌｙｅｉｔｈｅｒｅｍｐｌｏｙｓｃｌａｓｓｉｃｌｏｃａｌｏｐｔｉｍｉｚａｔｉｏｎｔｅｃｈｎｉｑｕｅｓｏｒａｄｏｐｔｓｓｏｍｅｓｉｍｐｌｅｇｌｏｂａｌｏｐｔｉｍｉｚａｔｉｏｎｔｅｃｈｎｉｑｕｅｓ．Ｉｎｈｉｓｐａｐｅｒ，ｔｈｅｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍｉｓｉｎｔｒｏｄｕｃｅｄｔｏｔｈｅｃｏｍｐｕｔａｔｉｏｎｏｆｏｐｔｉｍｉｚａｔｉｏｎｓｏｆｔｗａｒｅ，ｃａｌｌｅｄｏｐｔｉｍｉｚａｔｉｏｎｐｌａｔｆｏｒｍ．Ｔｈｅｋｅｙｐｒｏｃｅｄｕｒｅｏｆｔｈｅｐｌａｔｆｏｒｍｄｅｓｉｇｎｉｓａｎａｌｙｚｅｄ，ａｎｄｔｈｅｓｃｈｅｍｅｏｆｔｈｅｐｌａｔｆｏｒｍｉｓｐｒｏｐｏｓｅｄ，ａｎｄｆｉｎａｌｌｙｔｈｅｐｌａｔｆｏｒｍｉｓｉｍｐｌｅｍｅｎｔｅｄ．Ｔｈｅｆｅａｔｕｒｅｓｏｆｔｈｅｄｅｓｉｇｎｅｄｐｌａｔｆｏｒｍｉｎｃｌｕｄｅｓ，ｄｙｎａｍｉｃａｌｌｙａｄｊｕｓｔｉｎｇｔｈｅｐｅｎａｌｔｙｆａｃｔｏｒｒｅｌａｔｅｄｔｏｔｈｅｅｘｔｅｎｄｅｄｏｂｊｅｃｔｉｖｅｆｕｎｃｔｉｏｎａｔｉｎｔｅｒｆａｃｅ，ｕｓｉｎｇｏｎｌｙｔｗｏｓｐｅｃｉａｌｌｙｄｅｓｉｇｎｅｄｅｖｏｌｕｔｉｏｎｏｐｅｒａｔｏｒｓ，ｈａｖｉｎｇａｐａｒｔｉｃｕｌａｒｍｅｃｈａｎｉｓｍｏｆｐａｒａｌｌｅｌｃｏｍｐｕｔｉｎｇ，ａｎｄａｇｏｉｎｇ－ｂａｃｋｍｅｃｈａｎｉｓｍ．Ｗｉｔｈｓｅｖｅｒａｌｔｅｓｔｓ，ｉｔｗａｓｉｎｄｉｃａｔｅｄｔｈａｔｔｈｅｉｍｐｌｅｍｅｎｔｅｄｐｌａｔｆｏｒｍｉｓｅａｓｙｔｏｕｓｅ，ａｎｄｃａｎａｃｈｉｅｖｅｐｒｅｃｉｓｅｓｏｌｕｔｉｏｎｓｓｔａｂｌｙ，ｈａｖｉｎｇｏｕｔｓｔａｎｄｉｎｇａｄｖａｎｔａｇｅｓ，ａｎｄｓｏ，ｔｈｅｐｒｏｐｏｓｅｄｓｃｈｅｍｅｉｓｓａｔｉｓｆａｃｔｏｒｙ．Ｋｅｙｗｏｒｄｓ：ｅｖｏｌｕｔｉｏｎａｒｙａｌｇｏｒｉｔｈｍ；ｇｅｎｅｔｉｃａｌｇｏｒｉｔｈｍ；ｐｌａｔｆｏｒｍ；ｏｐｔｉｍｉｚａｔｉｏｎ；ｍａｔｈｅｍａｔｉｃａｌｐｒｏｇｒａｍｍｉｎｇ摘要：线性规划非线性规划等优化软件在社会、经济、工程等领域应用潜力巨大。
- 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)。
进化计算论文----遗传算法的过去、现在和未来学号 **********姓名王欢专业管理科学1.引言遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。
本文对进化计算这一新兴学科作一综述，并对未来的研究方向进行展望。
论文的主要内容为:首先，概述了遗传算法的产生与发展；然后主要介绍了进化计算的国内外研究现状；最后是遗传算法未来的应用展望。
2.遗传算法的产生和发展大自然是人类获得灵感的源泉。
将生物界所提供的答案应用于工程问题的求解被实践证明是一个成功的有着辉煌前景的方法。
进化的历史告诉我们，生物的进化是一个漫长而复杂的过程，在这个过程中，生物从低级、简单的状态向高级、复杂的状态演变。
现在，人们已经认识到进化不仅仅是生命科学的范畴，早在二十世纪六十年代初，美国Michigan 大学的J. H. Holland 教授就意识到了生物进化过程中蕴含着的朴素的优化思想，他借鉴了达尔文的生物进化论和孟德尔的遗传定律的基本思想，并将其进行提取、简化与抽象，提出了第一个进化计算算法－遗传算法。
1975 年出版了他的专著《Adaptation in Natural and Artificial Systems》[2]，标志着遗传算法的正式诞生。
在这本专著中，他称之为“Genetic Plans”，详细阐述了遗传算法的基本思想和结构框架。
"Genetic Algorithms"一词是首先出现在J.D.Bagley的博士论文中，他研究了遗传算法在博弈论(六子棋)中的参数搜索，这是遗传算法最早的应用。
“遗传”与“算法”的结合体现了生物科学与计算机科学的相互渗透，相互融合。
它借鉴生物的进化思想，通过计算机模拟物种繁殖过程中父代遗传基因的重新组合与“优胜劣汰”的自然选择机制联合作用，用来解决科学与工程中的复杂问题。
遗传算法产生后，在八十年代以前，并没有引起人们的关注，一方面是因为它本身还不成熟；另一方面，当时的计算机容量小，计算速度慢，也使得需要较大计算量的遗传算法难以实际应用。
但Holland 和他的学生一直在进行坚持不懈的努力，进行了理论研究，并开拓其应用领域。
直至现在，仍被认为是遗传算法理论基础的模式定理（Schema Theorem）就是在这个阶段提出的，它揭示了遗传算法的内部机理和解释了遗传算法的优化能力。
进入八十年代，遗传算法迎来了兴盛发展时期，无论是理论还是应用都成了研究热点。
尤其是应用研究显得格外活跃，给遗传算法注入了新的活力。
研究工作主要在以下几个方面开展。
(1)．遗传算法的基本理论由于遗传算法是一种启发式的有向随机搜索算法，在进化过程中是否收敛到全局最优解成为其应用于实际问题是否成功的关键。
然而，Holland 的模式定理并没有从理论上回答遗传算法的全局优化性，它只是研究了群体中部分特征模式的样本数目随进化代数的变化规律。
近年来，关于遗传算法的全局收敛性证明，许多学者进行了理论上的研究，取得了一定的成果除了收敛性的证明，遗传算法的控制参数选取也是一个极其重要的理论问题，因为控制参数直接影响着遗传算法的优化效率。
但控制参数的选择与使用的遗传算子和具体应用问题密切相关。
J.J.Grefenstette利用离线性能（Off-line Performance）和在线性能（On-line Performance）评价控制参数的优化效率，研究了用遗传算法来优化控制参数。
自适应的杂交率和变异率、特殊问题（如组合优化问题）的遗传算子的研究也是遗传算法基本理论的重要研究内容。
(2)．生物进化思想的深层利用虽然遗传算法已经在许多领域中获得了成功的应用，但目前仍存在几个悬而未决的问题。
究其原因，主要是因为当前的遗传算法只是简单地模拟了生物的进化，对生物进化机理作了很大简化，而生物的进化是一个非常复杂的过程，单就目前生物学中对于遗传物质的载体－染色体DNA的研究，就足以令人感到遗传算法在利用生物进化的思想方面已经滞后。
分子生物学告诉我们DNA 的结构为由 4 种碱基配成的扭转阶梯螺旋。
生物技术的发展已经使保留在化石中的DNA 复活生命和历史、利用DNA 分析技术进行刑事分析成为可能。
而遗传算法的染色体的表示则简单得多，而且用来模拟生物有性繁殖的杂交算子也多是线性串的部分交换。
所以，要提高遗传算法的性能，必须深入地研究生物的结构与进化规律，如近年发展起来的免疫系统模型和协同进化模型等。
除了常用的二进制单点杂交与位变异算子，一些借鉴生物进化的新型遗传算子也已经应用在遗传算法中，如倒位（Inversion）、显性（Dominance）、二倍体（Diploidy）、缺失（Deletion）等，至于它们对提高遗传算法优化能力的作用大小仍然值得深入研究。
(3)．遗传算法的并行处理遗传算法具有内在并行性（Inherent Parallelism）和内含并行性（Implicit Parallelism）。
前者是指遗传算法的适应度评价是并行的，可以在并行机上进行，同时，可以采用多群体进化，群体之间可以进行通信。
后者是指遗传算法虽然每代仅处理N 个个体（N 为群体规模），但却有效处理了O(N3 )个模式。
关于遗传算法的并行处理研究多集中于前者。
(4)．遗传算法的广泛应用遗传算法的应用是一个发展最为迅速的研究方向。
目前已经在模式识别、图象处理、人工智能、经济管理、机械工程、电气工程、通讯、分子生物学等举不胜举的领域中获得了较成功的应用。
但如何将各专业的知识融入到遗传算法的算子中，目前仍在继续研究。
进入90年代，遗传算法迎来了兴盛发展时期，无论是理论研究还是应用研究都成了十分热门的课题。
尤其是遗传算法的应用研究显得格外活跃，不但它的应用领域扩大，而且利用遗传算法进行优化和规则学习的能力也显著提高，同时产业应用方面的研究也在摸索之中。
此外一些新的理论和方法在应用研究中亦得到了迅速的发展，这些无疑均给遗传算法增添了新的活力。
遗传算法的应用研究已从初期的组合优化求解扩展到了许多更新、更工程化的应用方面。
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。
1991年D.Whitey在他的论文中提出了基于领域交叉的交叉算子（Adjacency based crossover），这个算子是特别针对用序号表示基因的个体的交叉，并将其应用到了TSP问题中，通过实验对其进行了验证。
D.H.Ackley等提出了随机迭代遗传爬山法（Stochastic Iterated GeneticHill-climbing，SIGH）采用了一种复杂的概率选举机制，此机制中由m个“投票者”来共同决定新个体的值（m表示群体的大小）。
实验结果表明，SIGH与单点交叉、均匀交叉的神经遗传算法相比，所测试的六个函数中有四个表现出更好的性能，而且总体来讲，SIGH比现存的许多算法在求解速度方面更有竞争力。
H.Bersini和G.Seront将遗传算法与单一方法（simplex method）结合起来，形成了一种叫单一操作的多亲交叉算子（simplex crossover），该算子在根据两个母体以及一个额外的个体产生新个体，事实上他的交叉结果与对三个个体用选举交叉产生的结果一致。
同时，文献还将三者交叉算子与点交叉、均匀交叉做了比较，结果表明，三者交叉算子比其余两个有更好的性能。
国内也有不少的专家和学者对遗传算法的交叉算子进行改进。
2002年，戴晓明等应用多种群遗传并行进化的思想，对不同种群基于不同的遗传策略，如变异概率，不同的变异算子等来搜索变量空间，并利用种群间迁移算子来进行遗传信息交流，以解决经典遗传算法的收敛到局部最优值问题2004年，赵宏立等针对简单遗传算法在较大规模组合优化问题上搜索效率不高的现象，提出了一种用基因块编码的并行遗传算法（Building-block Coded Parallel GA，BCPGA）。
该方法以粗粒度并行遗传算法为基本框架，在染色体群体中识别出可能的基因块，然后用基因块作为新的基因单位对染色体重新编码，产生长度较短的染色体，在用重新编码的染色体群体作为下一轮以相同方式演化的初始群体。
2005年，江雷等针对并行遗传算法求解TSP问题,探讨了使用弹性策略来维持群体的多样性,使得算法跨过局部收敛的障碍,向全局最优解方向进化。
由于遗传算法具有全局并行搜索、简单通用、鲁棒性强等优点, 使得遗传算法广泛地应用于计算机科学、自动控制、人工智能、工程设计、制造业、生物工程和社会科学等领域。
3.遗传算法的现状遗传算法的研究归纳起来可分为理论与技术研究和应用研究两个方面。
可以说, 遗传算法的应用已经渗透到了各个领域。
但目前遗传算法的算法分析和理论分析还没有跟上, 还有很多富有挑战性的课题亟待完善与解决, 主要有:（1）算法规模小。
虽然遗传算法模拟了生物的进化过程,但目前遗传算法的运行规模还远小于生物的进化规模。
随着计算机系统性能的不断提高, 人们将有可能实现模拟更接近于自然的进化系统, 从而充分利用遗传算法的并行性解决更复杂更有价值的问题。