基于遗传算法的基本研究

刘芳芳

一、研究目的

随着高等独立院校教学改革的逐渐深化，我校一直秉承“淘汰水课，打造金课”的教学理念，不断使用最前沿的思想理念丰富我校学生的课程设置。目前，人工智能、机器学习等概念逐渐走入实际应用领域中，我校也紧随时代发展，开设“人工智能”相关课程。然而，在教学科研过程中，由于学生对课程内容理解比较片面模糊，课程内容又过于抽象深奥玄妙，造成教学效果不尽如人意。因此，现对人工智能中应用比较广泛的“遗传算法”问题进行深入的探讨，以期让学生可以有能力完全掌握并理解其内含、实质和实际应用。

二、研究内容

2.1遗传算法简介

生物学中普遍认为，物种的繁衍规则是优胜劣汰，优秀的物种的后代将拥有更大概率的良性进化，从而逐渐稳定其良性特征，不断优化自身，最终把优秀的基因传递下去;不良的物种的后代则更容易放大上一代的缺点，从而将不良基因一代代传递下去，最终表现为对环境的不适应，最终被淘汰。这就是达尔文的进化论中的遗传和自然选择问题。

基于以上原则，我们对某一问题的求解，可以理解为对事物表现行为进行不断的变换、优化计算，将完成概率高的解保留下来，淘汰概率逐渐降低的解，最终求得基于一定概率条件下最优解的过程。

2.2遗传算法的实质

我们以生物进化方向为例，描述遗传算法的实质问题。

在一个生物种群中，每一个生物都拥有自己独特的DNA编码，这个编码不是只表示一个单独的信息，而是一组基因片信息的集合体。为了更加清晰明确的表示一个生物种群中的每一个具体个体的特征，我们对每一个生物以其DNA为特征进行编码描述。当我们用不同的编码把种群中每一个生物描述完成后，我们就得到了一个随机的群体空间。群体空间并不是静止的，而是随着时间不断发生着某些有意义、有内含的变化，随着种群的不断发展，生物将相互繁衍产生后代。也就是说，生物的基因片将在它们的后代中进行随机重组。

如果我们在种群中选择拥有若干最适合生存的基因片的生物个体作为研究对象，即在种群中，首先进行个体适应种群繁衍的适应性，找出适应性强的个体，淘汰适应性弱、差、表达不良的个体，进行数代的繁衍。这些具有高适应性生物之间产生的后代，将不断把优秀的基因片进行相互叠加，逐渐产生出经过基因优化的后代，并且淘汰落后的个体。在每一次新生成的一代生物种群中，再次选择最优秀的基因片，继续进行繁衍，随着世代的增加，其后代DNA中的优秀基因片信息将不断叠加，直至得到最优个体。

在种群繁衍的过程中，我们应充分考虑以下问题：

（1）生物的种群应该是具有普遍性的，随机性的种群，这样才具备研究价值和研究意义。（2）生物在进化，种群也在发展，因此每代选择的生物个体应是最适应当前种群发展的。（3）种群繁衍过程中，应尝试将父代的部分基因片进行交换，得到新的后代DNA，这样有很大的概率可以得到优化的后代。（4）在偶然的情况下，DNA会产生不可预知的变异，这种变异可能是好的，也可能是坏的，将会导致种群中部分生物族群的跳变进化或加速湮灭。因此，应充分重视这些变异，以获得多样性的后代，来增强整个种群的活性，加速种群的整体进化。

2.3遗传算法评价

（1）使用遗传算法对种群编码时，采用映射的机制，可能会因为人的主观性而比较容易出现多样性和不确定性。

（2）单一的遗传算法编码不能全面地将优化问题的约束表示出来。考虑约束的一个方法就是对不可行解采用阈值，这样，计算的时间必然增加。

（3）遗传算法由于需要编码以及选择后代进行交叉和变异，反而需要更长的运算时间。

（4）遗传算法由于选择样本的随机性可能导致种群的过早淘汰。

（5）遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。

三、发展前景

目前，遗传算法主要应用在以下几个方面：

（1）非线性测试函数的优化领域。遗传算法中的适应度函数充分描述出个体信息基因传递下去的能力，因此，对适应度的优化就显得十分重要。选择适当的适应度函数以及对函数进行优化，将能够更加清晰的表示个体对环境的适应性。

（2）搜索最优解领域。种群的规模直接决定了搜索最优解的范围。遗传算法的本质是搜索最优解，它对求解旅行商问题、背包问题、装箱问题、图形划分问题等方面已经得到成功的应用。

（3）调度领域。找寻最优良的调度方案，将帮助人们快速、准确的完成具有多个步骤的多个任务。通过遗传算法，将在限定条件内使多任务多步骤工作在最快的时间内完成。

四、总结

在人工智能的浩瀚星空中，遗传算法仅仅是其中一颗比较有代表性的恒星，对它的研究将不断进行下去，并且我们已经在持续不断的对它进行优化和改進，以获得更快速的求解过程和更准确的结果，它也将拥有越来越广阔发展空间和应用方向。