进化算法和遗传算法的区别
进化算法
• We present an overview of the most important representatives of algorithms gleaned from natural evolution, so-called evolutionary algorithms. Evolution strategies, evolutionary programming, and genetic algorithms are summarized, with special emphasis on the principle of strategy parameter self-adaptation utilized by the first two algorithms to learn their own strategy parameters such as mutation variances and covariances. Some experimental results are presented which demonstrate the working principle and robustness of the self-adaptation methods used in evolution strategies and evolutionary programming. General principles of evolutionary algorithms are discussed, and we identify certain properties of natural evolution which might help to improve the problem solving capabilities of evolutionary algorithms even further.
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
遗传算法
1 遗传算法1.1 遗传算法的定义遗传算法(GeneticAlgorithm，GA)是近多年来发展起来的一种全新的全局优化算法，它是基于了生物遗传学的观点，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。
它通过自然选择、遗传、复制、变异等作用机制，实现各个个体的适应性的提高，从而达到全局优化。
遗传算法151解决一个实际问题通常都是从一个种群开始，而这个种群通常都是含有问题的一个集合。
这个种群是由一定数目的个体所构成的，利用生物遗传的知识我们可以知道这些个体正好组成了我们知道的染色体，也就是说染色体是由一个个有特征的个体组成的。
另外我们还知道，遗传算法是由染色体组成，而染色体是由基因组成，可以这么说，基因就决定了个体的特性，所以对于遗传算法的最开始的工作就需要进行编码工作。
然后形成初始的种群，最后进行选择、交叉和变异的操作。
1.2遗传算法的重要应用在现实应用中，遗传算法在很多领域得到很好的应用，特别是在解决多维并且相当困难的优化问题中时表现出了很大的优势。
在遗传算法的优化问题的应用中，其中最为经典的应用就是我们所熟悉的函数优化问题，它也是对遗传算法的性能进行评价的最普遍的一种算法;另外的一个最重要的应用，也就是我们本文所研究的应用—组合优化问题，一般的算法很难解决组合优化问题的搜索空间不断扩大的局面，而组合优化问题正好是解决这种问题的最有效的方法之一，在本文的研究中，比如求解TSP问题、VRP问题等方面都得到了很好的应用;另外遗传算法在航空控制系统中的应用、在图像处理和模式识别的应用、在生产调度方面的应用以及在工人智能、人工生命和机器学习方面都得到了很好的应用。
其实在当今的社会中，有关于优化方面的问题应用于各行各业中，因此有关于优化问题已经变得非常重要，它对于整个社会的发展来说都是一个不可改变的发展方向，也是社会发展的一个非常重要的需要。
1.3 遗传算法的特点遗传算法不同于传统的搜索与优化方法，它是随着问题种类的不同以及问题规模的扩大，能以有限的代价来很好的解决搜索和优化的方法。
遗传算法详解
5.1.3 遗传算法的基本操作
一般的遗传算法都包含三个基本操作：复制 一般的遗传算法都包含三个基本操作：复制(reproduction)、 、 交叉(crossover)和变异 和变异(mutation)。 交叉 和变异 。 1. 复制 复制（又称繁殖），是从一个旧种群（ ），是从一个旧种群 复制（又称繁殖），是从一个旧种群（old population） ） 中选择生命力强的字符串（ 中选择生命力强的字符串（individual string）产生新种群 ） 的过程。或者说，复制是个体位串根据其目标函数f（ 的过程。或者说，复制是个体位串根据其目标函数 （即 适值函数）拷贝自己的过程。直观地讲， 适值函数）拷贝自己的过程。直观地讲，可以把目标函数 f看作是期望的最大效益的某种量度。根据位串的适值所 看作是期望的最大效益的某种量度。 看作是期望的最大效益的某种量度 进行的拷贝， 进行的拷贝，意味着具有较高适值的位串更有可能在下一 代中产生一个或多个子孙。显然，在复制操作过程中， 代中产生一个或多个子孙。显然，在复制操作过程中，目 标函数(适值 是该位串被复制或被淘汰的决定因素。 适值)是该位串被复制或被淘汰的决定因素 标函数 适值 是该位串被复制或被淘汰的决定因素。
复制操作的初始种群(旧种群 的生成往往是随机产生 复制操作的初始种群 旧种群)的生成往往是随机产生 旧种群 例如，通过掷硬币20次产生维数 次产生维数n＝ 的初始种群如下 的。例如，通过掷硬币 次产生维数 ＝4的初始种群如下 (正面 ，背面 ： 正面=1，背面=0)： 正面 01101 11000 01000 10011 显然， 显然，该初始种群可以看成是一个长度为五位的无符 号二进制数，将其编成四个位串，并解码为十进制的数： 号二进制数，将其编成四个位串，并解码为十进制的数： 位串1 01101 13 位串1： 位串2 11000 24 位串2： 位串3 01000 8 位串3： 位串4 10011 19 位串4：
遗传算法详解
遗传算法详解遗传算法1.简要概述在⼏⼗亿年的演化过程中，⾃然界中的⽣物体已经形成了⼀种优化⾃⾝结构的内在机制，它们能够不断地从环境中学习，以适应不断变化的环境。
对于⼤多数⽣物体，这个过程是通过⾃然选择和有性⽣殖来完成的。
⾃然选择决定了群体中哪些个体能够存活并繁殖，有性⽣殖保证了后代基因的混合与重组。
演化计算（Evolutionary Computation, EC）是在达尔⽂（Darwin）的进化论和孟德尔（Mendel）的遗传变异理论的基础上产⽣的⼀种在基因和种群层次上模拟⾃然界⽣物进化过程与机制，进⾏问题求解的⾃组织、⾃适应的随机搜索技术。
它以达尔⽂进化论的“物竟天择、适者⽣存”作为算法的进化规则，并结合孟德尔的遗传变异理论，将⽣物进化过程中的繁殖（Reproduction）、变异（Mutation）、竞争（Competition）、选择（Selection）引⼊到了算法中，是⼀种对⼈类智能的演化模拟⽅法演化计算的主要有遗传算法、演化策略、演化规划和遗传规划四⼤分⽀。
其中，遗传算法是演化计算中最初形成的⼀种具有普遍影响的模拟演化优化算法。
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：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。
变异：亲代和⼦代之间以及⼦代的不同个体之间的差异，称为变异。
变异是随机发⽣的，变异的选择和积累是⽣命多样性的根源。
⽣存⽃争和适者⽣存：具有适应性变异的个体被保留下来，不具有适应性变异的个体被淘汰，通过⼀代代的⽣存环境的选择作⽤，性状逐渐与祖先有所不同，演变为新的物种。
2.基本原理遗传算法将“优胜劣汰，适者⽣存”的⽣物进化原理引⼊优化参数形成的编码串联群体中，按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进⾏筛选，使适应度⾼的个体被保留下来，组成新的群体新的群体既继承了上⼀代的信息，⼜优于上⼀代这样周⽽复始，群体中个体适应度不断提⾼，直到满⾜⼀定的条件遗传算法的算法简单，可并⾏处理，并能得到全局最优解。
遗传算法
遗传算法遗传算法是一种借鉴生物遗传和进化机制寻求最优解的计算方法。
该方法模拟生物进化中的复制、交换、变异等过程，并通过模拟自然选择压力的方式推动问题解集向最优解方向移动。
遗传算法为解决多种难以采用传统数学方法求解的复杂问题提供了新的思路。
1. 遗传算法的发展历史研究者采用计算机模拟生物进化过程并解决优化问题的尝试始于20世纪40至50年代。
20世纪60年代中期，美国密歇根大学的Holland教授提出了位串编码技术，这种编码技术适用于变异操作和交叉操作，他指出在研究和设计人工自适应系统时可借鉴生物遗传的机制，以群体的方式进行自适应搜索。
70年代中期，Holland提出遗传算法的模式定理（Schema Theorem），奠定了遗传算法的理论基础。
11967年，Holland教授的学生De Jong首次将遗传算法应用于函数优化中，2设计了遗传算法执行策略和性能评价指标。
他挑选的5个专门用于遗传算法数值实验的函数至今仍被频繁使用，而他提出的在线(on-line)和离线(off-line)指标则仍是目前衡量遗传算法优化性能的主要手段。
1989年，Goldberg出版专著“Genetic Algorithm in Search, Optimization, and Machine learning”3。
该书全面阐述了遗传算法的基本原理及应用，并系统总结了遗传算法的主要研究成果。
该书对遗传算法科学基础的奠定做出了重要贡献。
1991年，Davis编辑出版了专著“Handbook of Genetic Algorithms”，该书中介绍了遗传算法在工程技术和社会生活中的大量应用实例。
41992年，美国斯坦福大学的Koza出版专著“Genetic Programming, on the Programming of Computers by Means of Natural Selection”，在此书中，他将遗传算法应用于计算机程序的优化设计和自动生成，并在此基础上提出遗传编程（Genetic Programming, GP）的概念5。
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，下面内容了解即可：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。
遗传算法及应用
遗传算法将问题的求解表示成“染色体”（用编码 表示字符串）。该算法从一群“染色体”串出发， 将它们置于问题的“环境”中，根据适者生存的原 则，从中选择出适应环境的“染色体”进行复制， 通过交叉、变异两种基因操作产生出新的一代更适 应环境的“染色体”种群。随着算法的进行，优良 的品质被逐渐保留并加以组合，从而不断产生出更 佳的个体。这一过程就如生物进化那样，好的特征 被不断的继承下来，坏的特征被逐渐淘汰。新一代 个体中包含着上一代个体的大量信息，新一代的个 体不断地在总体特性上胜过旧的一代，从而使整个 群体向前进化发展。对于遗传算法，也就是不断接 近最优解。
优势
总的来说，遗传算法与其他寻优算法相比的主要特点可以归纳如下： 1)遗传算法是对参数的编码进行操作，而不是对参数本身。 2）遗传算法是从许多初始点开始并行操作，而不是从一个点开始。因而 可以有效地防止搜索过程收敛于局部最优解，而且有较大可能求得全部 最优解。 3）遗传算法通过目标函数来计算适配度，而不要求其他的推导和附属信 息，从而对问题的依赖性较小。 4）遗传算法使用概率的转变原则，而不是确定性原则。 5）遗传算法在解空间内不是盲目地穷举或完全随机测试，而是一种启发 式搜索，其搜索效率往往优于其他算法。 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，更不 要求可微；既可以是数学解析式所表达的显函数，又可以是映射矩阵甚 至是神经网络等隐函数，因而应用范围很广。 7）遗传算法更适合大规模复杂问题的优化。
6.2遗传算法的基本操作与模式理论
下面通过一个简单的例子，详细描述遗传算法的基 本操作过程，然后给出简要的理论分析，从而清晰 地展现遗传算法的原理和特点。 6.2.1遗传算法的基本操作 例：设需要求解的优化问题为当自变量x在0~31之间 取整数值时寻找f(x)=x^2函数的最大值。枚举的方 法是将x取尽所有可能值，观察能否得到最高的目标 函数值。尽管对如此简单的问题该法是可靠的，但 这是一种效率很低的方法。下面运用遗传算法来求 解这个问题。