遗传算法
遗传算法是智能优化方法中应用最为广泛也最
为成功的算法
介绍遗传算法的产生发展与基本原理
讨论遗传算法的基本构成和模板理论
介绍由不同编码方式、选择压力的调整、不同标定
方法等带来的各种变形算法
介绍几个典型应用的例子
2
遗传算法
遗传算法是智能优化方法中应用最为广泛也最
为成功的算法
介绍遗传算法的产生发展与基本原理
讨论遗传算法的基本构成和模板理论
介绍由不同编码方式、选择压力的调整、不同标定
方法等带来的各种变形算法
介绍几个典型应用的例子
3
概述
遗传算法(Genetic Algorithms, 简称GA或GAs)是由美国密
歇根大学的John H. Holland教授及其学生于20世纪60
年代末到70年代初提出的. 在1975年出版的《自然与
人工系统的自适应性》(Adaptation in Natural and Artificial
Systems)中, Holland 系统地阐述了遗传算法的基本理
论和方法, 提出了对遗传算法的理论发展极为重要的
模板理论(Schema Theory).
后来De Jong和Goldberg等人做了大量的工作, 使遗传
算法更加完善.
4
概述
近年来, 由于遗传箅法求解复杂优化问题的巨大潜力
及其在工业工程、人工智能、生物工程、自动控制等
各个领域的成功应用, 该算法得到了广泛的关注. 可以
说, 遗传算法是目前为止应用最为广泛和最为成功的
智能优化方法.
生物在自然界中的生存繁衍, 显示了其对自然环境的
优异的自适应能力. 遗传算法所借鉴的生物学基础就
是生物的进化和遗传。
5
生物进化
进化(Evolution): 生物在其延续生存的过程中, 逐渐适
应其生存环境, 使得其品质不断得到改良, 这种生命现
象称为进化.
群体(Population): 生物的进化是以集团的形式共同进
行的, 这样的一个团体称为群体, 组成群体的单个生物
称为个体(Individual), 每个个体对其生存环境都有不同
的适应能力, 这种适应能力称为个体的适应度(Fitness).
6
生物进化
按照达尔文的进化论, 那些具有较强适应环境变化能力
的生物个体具有更高的生存能力, 容易存话下来, 并有
较多的机会产生后代; 相反, 具有较低生存能力的个体
则被淘汰, 或者产生后代的机会越来越少, 直至消亡. 达
尔文把这一过程和现象叫做“自然选择, 适者生存”.
通过这种自然的选择, 物种将逐渐地向适应于生存环境
的方向进化, 从而产生优良的物种.
7
生物的遗传变异
生物从其亲代继承特性或性状, 这种生命现象就称为遗
传( Heredity), 研究这种生命现象就称为遗传学
(Genetics).
由于遗传的作用, 使人们可以种瓜得瓜、种豆得豆. 构
成生物的基本结构和功能单位是细胞(Cell). 细胞中含
有一种微小的丝状化合物, 称为染色体(Chromosome),
生物的所有遗传信息都包含在这个复杂而又微小的染
色体中. 染色体主要由蛋白质和脱氧核糖核酸(DNA)组
成. 控制生物遗传的物质单元称为基因(Gene), 它是有
遗传效应的DNA片段. 生物的各种性状由其相应的基因
所控制.
8