第0章智能算法及其应用
第10章 智能算法及其应用
10.1遗传算法的基本原理 遗传算法简称GA(Genetic Algorithms)是1962 年由美国Michigan2大学的Holland教授提出的模拟自 然界遗传机制和生物进化论而成的一种并行随机搜索 最优化方法。 遗传算法是以达尔文的自然选择学说为基础发展 起来的。自然选择学说包括以下三个方面：
10.1 遗传算法的基本原理 遗传算法简称GA（Genetic Algorithms）是1962 年由美国Michigan大学的Holland教授提出的模拟自 然界遗传机制和生物进化论而成的一种并行随机搜索 最优化方法。 遗传算法是以达尔文的自然选择学说为基础发展 起来的。自然选择学说包括以下三个方面：
(1)遗传：这是生物的普遍特征，亲代把生物信息交给子代， 子代总是和亲代具有相同或相似的性状。生物有了这个特征， 物种才能稳定存在。 (2)变异：亲代和子代之间以及子代的不同个体之间的差异， 称为变异。变异是随机发生的，变异的选择和积累是生命多样 性的根源。 (3)生存斗争和适者生存：具有适应性变异的个体被保留下来， 不具有适应性变异的个体被淘汰，通过一代代的生存环境的选 择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种
（1）遗传：这是生物的普遍特征，亲代把生物信息交给子代， 子代总是和亲代具有相同或相似的性状。生物有了这个特征， 物种才能稳定存在。 （2）变异：亲代和子代之间以及子代的不同个体之间的差异， 称为变异。变异是随机发生的，变异的选择和积累是生命多样 性的根源。 （3）生存斗争和适者生存：具有适应性变异的个体被保留下来， 不具有适应性变异的个体被淘汰，通过一代代的生存环境的选 择作用，性状逐渐逐渐与祖先有所不同，演变为新的物种
遗传算法将“优胜劣汰，适者生存”的生物进化 原理引入优化参数形成的编码串联群体中，按所选择 的适应度函数并通过遗传中的复制、交叉及变异对个 体进行筛选，使适适应度高的个体被保留下来，组成 新的群体，新的群体既继承了上一代的信息，又优于 上一代。这样周而复始，群体中个体适应度不断提高， 直到满足一定的条件。遗传算法的算法简单，可并行 处理，并能到全局最优解
遗传算法将“优胜劣汰，适者生存”的生物进化 原理引入优化参数形成的编码串联群体中，按所选择 的适应度函数并通过遗传中的复制、交叉及变异对个 体进行筛选，使适适应度高的个体被保留下来，组成 新的群体，新的群体既继承了上一代的信息，又优于 上一代。这样周而复始，群体中个体适应度不断提高， 直到满足一定的条件。遗传算法的算法简单，可并行 处理，并能到全局最优解
遗传算法的基本操作为： (I)复制(Reproduction Operator) 复制是从一个旧种群中选择生命力强的个体位串产生新种群 的过程。具有高适应度的位串更有可能在下一代中产生一个或多 个子孙。 复制操作可以通过随机方法来实现。首先产生01之间均匀 分布的随机数，若某串的复制概率为40%，则当产生的随机数在 0.401.0之间时，该串被复制，否则被淘汰。 (2)交叉(Crossover Operator)
遗传算法的基本操作为： （1）复制（Reproduction Operator） 复制是从一个旧种群中选择生命力强的个体位串产生新种群 的过程。具有高适应度的位串更有可能在下一代中产生一个或多 个子孙。 复制操作可以通过随机方法来实现。首先产生0~1之间均匀 分布的随机数，若某串的复制概率为40%，则当产生的随机数在 0.40~1.0之间时，该串被复制，否则被淘汰。 （2）交叉（Crossover Operator）