關(guān)于遺傳算法的基本要素，遺傳算法的基本概念這個問題很多朋友還不知道，今天小六來為大家解答以上的問題，現(xiàn)在讓我們一起來看看吧！
1、遺傳算法（Genetic Algorithm）是模擬達爾文的遺傳選擇和自然淘汰的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優(yōu)解的方法，它是有美國Michigan大學(xué)J.Holland教授于1975年首先提出來的，并出版了頗有影響的專著《Adaptation in Natural and Artificial Systems》，GA這個名稱才逐漸為人所知，J.Hilland教授所提出的GA通常為簡單遺傳算法（SGA）。
2、遺傳算法是從代表問題可能潛在的解集的一個種群（population）開始的，而一個種群則由經(jīng)過基因（gene）編碼的一定數(shù)目的個體(individual)組成。
3、每個個體實際上是染色體(chromosome)帶有特征的實體。
4、染色體作為遺傳物質(zhì)的主要載體，即多個基因的集合，其內(nèi)部表現(xiàn)（即基因型）是某種基因組合，它決定了個體的形狀的外部表現(xiàn)，如黑頭發(fā)的特征是由染色體中控制這一特征的某種基因組合決定的。
5、因此，在一開始需要實現(xiàn)從表現(xiàn)型到基因型的映射即編碼工作。
6、由于仿照基因編碼的工作很復(fù)雜，我們往往進行簡化，如二進制編碼，初代種群產(chǎn)生之后，按照適者生存和優(yōu)勝劣汰的原理，逐代（generation）演化產(chǎn)生出越來越好的近似解，在每一代，根據(jù)問題域中個體的適應(yīng)度（fitness）大小挑選（selection）個體，并借助于自然遺傳學(xué)的遺傳算子（genetic operators）進行組合交叉（crossover）和變異（mutation），產(chǎn)生出代表新的解集的種群。
7、這個過程將導(dǎo)致種群像自然進化一樣的后生代種群比前代更加適應(yīng)于環(huán)境，末代種群中的最優(yōu)個體經(jīng)過解碼（decoding），可以作為問題近似最優(yōu)解。
8、遺傳算法特點[編輯本段]遺傳算法是一類可用于復(fù)雜系統(tǒng)優(yōu)化的具有魯棒性的搜索算法，與傳統(tǒng)的優(yōu)化算法相比，主要有以下特點： 遺傳算法以決策變量的編碼作為運算對象。
9、傳統(tǒng)的優(yōu)化算法往往直接決策變量的實際植本身，而遺傳算法處理決策變量的某種編碼形式，使得我們可以借鑒生物學(xué)中的染色體和基因的概念，可以模仿自然界生物的遺傳和進化機理，也使得我們能夠方便的應(yīng)用遺傳操作算子。
10、2、 遺傳算法直接以適應(yīng)度作為搜索信息，無需導(dǎo)數(shù)等其它輔助信息。
11、3、 遺傳算法使用多個點的搜索信息，具有隱含并行性。
12、4、 遺傳算法使用概率搜索技術(shù)，而非確定性規(guī)則。
13、遺傳算法的應(yīng)用[編輯本段]由于遺傳算法的整體搜索策略和優(yōu)化搜索方法在計算是不依賴于梯度信息或其它輔助知識，而只需要影響搜索方向的目標函數(shù)和相應(yīng)的適應(yīng)度函數(shù)，所以遺傳算法提供了一種求解復(fù)雜系統(tǒng)問題的通用框架，它不依賴于問題的具體領(lǐng)域，對問題的種類有很強的魯棒性，所以廣泛應(yīng)用于許多科學(xué)，下面我們將介紹遺傳算法的一些主要應(yīng)用領(lǐng)域： 函數(shù)優(yōu)化。
14、函數(shù)優(yōu)化是遺傳算法的經(jīng)典應(yīng)用領(lǐng)域，也是遺傳算法進行性能評價的常用算例，許多人構(gòu)造出了各種各樣復(fù)雜形式的測試函數(shù)：連續(xù)函數(shù)和離散函數(shù)、凸函數(shù)和凹函數(shù)、低維函數(shù)和高維函數(shù)、單峰函數(shù)和多峰函數(shù)等。
15、對于一些非線性、多模型、多目標的函數(shù)優(yōu)化問題，用其它優(yōu)化方法較難求解，而遺傳算法可以方便的得到較好的結(jié)果。
16、2、 組合優(yōu)化隨著問題規(guī)模的增大，組合優(yōu)化問題的搜索空間也急劇增大，有時在目前的計算上用枚舉法很難求出最優(yōu)解。
17、對這類復(fù)雜的問題，人們已經(jīng)意識到應(yīng)把主要精力放在尋求滿意解上，而遺傳算法是尋求這種滿意解的最佳工具之一。
18、實踐證明，遺傳算法對于組合優(yōu)化中的NP問題非常有效。
19、例如遺傳算法已經(jīng)在求解旅行商問題、 背包問題、裝箱問題、圖形劃分問題等方面得到成功的應(yīng)用。
20、此外，GA也在生產(chǎn)調(diào)度問題、自動控制、機器人學(xué)、圖象處理、人工生命、遺傳編碼和機器學(xué)習(xí)等方面獲得了廣泛的運用。
本文分享完畢，希望對大家有所幫助。
標簽：
免責聲明：本文由用戶上傳，如有侵權(quán)請聯(lián)系刪除！