遗传算法的原理及其应用研究

刘佳丽 刘旭

【摘要】：本文在简要介绍了遗传算法的起源与发展的基础上，介绍了遗传算法的原理及其遗传算法在解决问题时的基本流程，对算法在组合优化、人工智能、多目标优化等领域的应用、现状及存在的问题进行了分析。

【关键词】：遗传算法；遗传算子；原理；应用

遗传算法GA（Genetic Algorithm）最初是由J.Holland教授于1975年提出。它是一种仿照达尔文生物进化过程的模型，用来随机搜索最优解。其主要特点是初始搜索不需要先验知识，具有简易灵活、全局并行搜索、鲁棒性强的优点。尤其适合解决规模大、非线性的多目标优化问题。

1 遗传算法的原理

遗传算法是在择优过程中留下有用的，淘汰无用的。通过选择、交叉和变异等操作实现。选择的作用是从当前种群中选取适应度较高的个体保留下来；交叉的作用是指交换两个编码之间的部分从而产生新的个体；变异则是保持多样性的重要途径，通过改变个体上某一位基因的值来获取新个体。通过遗传操作，产生新的优化的一代，并依赖适应度函数对其个体进行评估，保留优秀的个体，重复此过程，不断地择优淘劣，从而找到问题的最优解[1]。

2 遗传算法的实现

在实际的工程中，实际变量总是不能被遗传算法直接作用。因此，需利用编码将实际变量转变为能够直接处理的对象，在计算机任意或在一定约束条件下产生初始种群，依据适应度函数来评定种群中个体的好坏，并判断是否符合优化准则。接着如同自然界中一样，利用选择算子依据适应度的高低选择个体，再接下来的繁殖过程中，进行交叉、变异等操作，产生新的个体，反复上述操作，直到满足优化准则。……