数学遗传学遗传算法8选择从群体中选择优胜的个保留或复制适应值大体，淘汰劣质个体的操的可行解，去掉小的作可行解9交叉一组染色体上对应基因段根据交叉原则产生的的交换一组新解交叉概率闭区间[0,1]上的一个10染色体对应基因段交换的值，一般为0.65~0.90概率(可能性大小）变异染色体水平上基因变化11编码的某些元素被改变变异概率开区间(0,1)内的一个12染色体上基因变化的概率(可能性大小)值，一般为0.001~0.01进化、13个体进行优胜劣汰的进化自标函数取到最大值1适者生存一代又一代地优化最优的可行解16
16 9 交叉 一组染色体上对应基因段 的交换 根据交叉原则产生的 一组新解 10 交叉概率 染色体对应基因段交换的 概率（可能性大小） 闭区间[0,1]上的一个 值，一般为0.65~0.90 11 变异 染色体水平上基因变化 编码的某些元素被改 变 12 变异概率 染色体上基因变化的概率 （可能性大小） 开区间(0,1)内的一个 值, 一般为0.001~0.01 13 进化、 适者生存 个体进行优胜劣汰的进化， 一代又一代地优化 目标函数取到最大值， 最优的可行解 8 选择 从群体中选择优胜的个 体，淘汰劣质个体的操 作 保留或复制适应值大 的可行解，去掉小的 可行解 遗传学 遗传算法 数学
遗传算法基本思想把问题的解表示成“染色体”，在算法中就是以二进制编码的串，给出一群“染色体”，也就是假设的可行解把这些可行解置于问题的“环境”中，按适者生存的原则，选取较适应环境的“染色体”进行复制，并通过交叉、群变异过程产生更适应环境的新一代“染色体”经过这样的一代一代地进化，最后就会收敛到最适应环境的一个“染色体”上，它就是问题的最优解遗传算法有很多种具体的不同实现过程这里仅介绍标准遗传算法的主要步骤。17
17 遗传算法基本思想 ◆ 把这些可行解置于问题的“环境” 中，按适者生存的原 则，选取较适应环境的“染色体”进行复制，并通过交叉、 变异过程产生更适应环境的新一代“染色体”群 ◆ 把问题的解表示成“染色体”，在算法中就是以二进 制编码的串，给出一群 “染色体”，也就是假设的可行 解 ◆ 经过这样的一代一代地进化，最后就会收敛到最适应环 境的一个 “染色体”上，它就是问题的最优解 遗传算法有很多种具体的不同实现过程， 这里仅介绍标准遗传算法的主要步骤
遗传算法具体步骤选择编码策略，把参数集合（可行解集合）转换到染1：色体结构空间：定义适应函数，便于计算适应值；确定遗传策略，包括选择群体大小，选择、交叉、变3异方法以及确定交叉概率、变异概率等遗传参数；随机产生初始化群体：计算群体中的个体或染色体解码后的适应值；按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体；判断群体性能是否满足某一指标，或者已完成预定的迭代次数，不满足则返回第五步，或者修改遗传策略再返回第六步，18
18 遗传算法具体步骤 ① 选择编码策略，把参数集合（可行解集合）转换到染 色体结构空间； ② 定义适应函数，便于计算适应值； ③ 确定遗传策略，包括选择群体大小，选择、交叉、变 异方法以及确定交叉概率、变异概率等遗传参数； ④ 随机产生初始化群体； ⑤ 计算群体中的个体或染色体解码后的适应值； ⑥ 按照遗传策略，运用选择、交叉和变异算子作用于群 体，形成下一代群体； ⑦ 判断群体性能是否满足某一指标，或者已完成预定的 迭代次数，不满足则返回第五步，或者修改遗传策略 再返回第六步．
GA的流程问题的初始（候选）解编码成染色体（向量）确定种群P（t）计算各染色体的适应度种群P（t)种群P（t+1）复制交换通过遗传运算存优去劣变异种群P(t+1)No种群满足预定指标？yes专解码染色体★问题解答空间19
19 GA的流程 No yes
编码和产生初始群体变量x作为实数，视为遗传算法的表现形式从表现型到基因型的映射称为编码将某个变量值代通常采用二进制编码形式，表的个体表示为0，1二进制串（染色体），串中的字符称为基因例如：个体染色体91001(2, 5, 6) ---- 010 10111020
20 一、编码和产生初始群体 变量x作为实数，视为遗传算法的表现形式。 从表现型到基因型的映射称为编码。 通常采用二进制编码形式，将某个变量值代 表的个体表示为0，1二进制串（染色体），串中 的字符称为基因。 例如： 个体 染色体 9 - 1001 （2，5，6）- 010 101 110