关于遗传算法的文献综述班级：13级机械(4)班 学号：913101140439 姓名：元志斌关键词：遗传算法，编码，搜索，优化，交叉，遗传摘要：遗传算法是一种基于生物进化自然选择和群体遗传机理的，适合于复杂系统优化的自适应概率优化技术，近年来，因为遗传算法求解复杂优化问题的巨大潜力和在工业工程领域的成功应用，这种算法受到了国内外学者的广泛关注，本文介绍了遗传算法研究现状和发展的前景，概述了它的理论和技术，并对遗传算法的发展情况发表了自己的看法。Abstract:Genetic algorithm is a kind of natural selection and based on biological evolution of genetic mechanism, group suitable for complex system optimization adaptive probability optimization technique, in recent years, because genetic algorithm for solving complex optimization problem in the huge potential and the successful application of industrial engineering, this algorithm was wide attention of scholars at home and abroad, this paper introduces the current research status and development of genetic algorithm, summarizes the prospect of its theory and technology of genetic algorithm and the development of published opinions of his own.1. 引言遗传算法Genetic Algorithm（GA）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。它是以达尔文的自然进化论“适者生存、优胜劣汰”和孟德尔遗传变异理论为基础，模拟生物进化过程。它具有大范围快速全局搜索能力，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求的最优解。正是遗传算法的诸多特点，使得它在求解组合优化、机器学习、并行处理等问题上得到了广泛的应用。普通遗传算法是通过模拟染色体群的选择、交叉和变异等操作，不断迭代，最终收敛到高适应度值的染色体，从而求得问题的最优解。 但是随着问题规模的扩大，组合优化问题的搜索空间急剧扩大，普通遗传算法的收敛速度慢、易陷入局部最优的缺点就暴露了。而佳点集遗传算法正是通过佳点集的方法改进交叉算子，加快算法收敛到全局最优解的速度，降低发生早熟的概率，提高整个算法的计算效率。2. 国内外相关研究现状遗传算法的鼻祖是美国Michigan大学的Holland教授及其学生。他们受到生物模拟技术的启发，创造了一种基于生物遗传和进化机制的适合于复杂系统优化的自适应概率优化技术遗传算法。1967年，Holland的学生Bagley在其博士论文中首次提出了“遗传算法”一词，他发展了复制、交叉、变异、显性、倒位等遗传算子，在个体编码上使用双倍体的编码方法。Holland教授用遗传算法的思想对自然和人工自适应系统进行了研究，提出了遗传算法的基本理论模式定理（Schema Theorem）并于1957年出版了第一本系统论述遗传算法和人工自适应系统的专著Adaptation in Natural and Artificial Systems。20世纪80年代，Holland教授实现了第一个基于遗传算法的机器学习系统，开创了遗传算法的机器学习的新概念。1975年，De Jong基于遗传算法的思想在计算机上进行了大量的纯数值函数优化计算实验，建立了遗传算法的工作框架，得到了一些重要且具有指导意义的结论。1989年，Goldberg出版了Genetic Algorithm in Search，Optimization and Machine Learning一书，系统地总结了遗传算法的主要研究成果，全面完整的论述了遗传算法的基本原理及其应用。1991年，David出版了Handbook of Genetic Algorithms一书，介绍了遗传算法在科学计算、工程技术和社会经济中的大量实例。1992年，Koza将遗传算法应用于计算机程序的优化设计及自动生成，提出了遗传编程（Genetic Programming，简称GP）的概念。在控制系统的离线设计方面遗传算法被众多的使用者证明是有效的策略。例如，Krishnakumar和Goldberg以及Bramlette和Gusin已证明使用遗传优化方法在太空应用中导出优异的控制器结构比使用传统方法如LQR和Powell（鲍威尔）的增音机设计所用的时间要少（功能评估）。Porter和Mohamed展示了使用本质结构分派任务的多变量飞行控制系统的遗传设计方案。与此同时，另一些人证明了遗传算法如何在控制器结构的选择中使用。 从遗传算法的整个发展过程来看，20世纪70年代是兴起阶段，20世纪80年代是发展阶段，20世纪90年代是高潮阶段。遗传算法作为一种实用、高效、鲁棒性强的优化技术，发展极为迅速，已引起国内外学者的高度重视。 近些年来，国内外很多学者在遗传算法的编码表示、适应度函数、遗传算子、参数选择、收敛性分析、欺骗问题和并行遗传算法上做出了大量的研究和改进。还有很多学者将遗传算法和其他只能算法结合，进一步提高局部搜索能力。在遗传算法的应用上也有很多改进。由于遗传算法具有全局并行搜索、简单通用、鲁棒性强等优点，使得遗传算法广泛地应用于计算机科学、自动控制、人工智能、工程设计、制造业、生物工程和社会科学等领域。针对遗传算法的一些问题，还有一些问题需要进一步的探究，将大大促进遗传算法理论和应用的发展，遗传算法必将在智能计算领域中展现出更加光明的前景。目前遗传算法所涉及的主要应用领域如下表所示：遗传算法的主要应用领域3. 现阶段存在的问题及技术关键遗传算法在整个进化过程中的遗传操作是随机的，但它所呈现出的特性并不是完全搜索，它能有效地利用历史信息来推测下一代期望性能有所提高的寻优点集。这样一代代的不断进化，最后收敛到一个最适应环境的个体上，求得问题的最优解。遗传算法所涉及的三大关键技术是：（1）复制 复制操作又可称为选择、再生或繁殖操作，用于模拟生物界去劣存优的自然选择现象。它从旧种群中选择出适应性强的某些染色体，放入匹配集，为染色体交叉和变异操作产生新种群做准备。适应度越高的染色体被选择的可能性越大，其遗传基因在下一代群体中的分布就越广，其子孙在下一代出现的数量就越多。有多种复制方法，使用比较普遍的一种是适应度比例法。     （2）交叉   复制操作虽然能够从旧种群中选择出优秀者，但不能创造新的染色体。因此，遗传算法的开创者提出了交叉操作。它模拟生物进化过程中的繁殖现象，通过两个染色体的交换组合，来产生新的优良的品种。 （3） 变异 变异操作用来模拟生物在自然的遗传环境中由于各种偶然因素引起的基因突变，它以很小的概率随机地改变遗传基因值。在染色体以二进制编码的系统中，它随机地将染色体的某一个基因由1变成0，或由O变成1。若只有复制和交叉，而没有变异操作，则无法在初始基因组合以外的空间进行搜索，使进化过程的早期就陷入局部解而中正进化过程，从而使解的质量受到很大限制。通过变异操作，可确保群体中遗传基因类型的多样化，以使搜索能在尽可能大的空间中进行，避免丢失在搜索中有用的遗传信息而陷入局部解，获得质量较高的优化解答。用遗传算法进行路径规划时，随机产生初始种群，为了避免陷入局部极值点，种群数量要达到一定的规模。但种群规模大会导致搜索空间较大，删除冗余个体的能力较差，大大影响路径规划的速度。特别在环境较为复杂的情形下，这种缺点就更加明显。而在现在的工作中，遗传算法（1972年提出）已经不能很好的解决大规模计算量问题，它很容易陷入“早熟”。常用混合遗传算法，合作型协同进化算法等来替代，这些算法都是GA的衍生算法。   遗传算法具有良好的全局搜索能力，可以快速地将解空间中的全体解搜索出，而不会陷入局部最优解的快速下降陷阱；并且利用它的内在并行性，可以方便地进行分布式计算，加快求解速度。但是遗传算法的局部搜索能力较差，导致单纯的遗传算法比较费时，在进化后期搜索效率较低。在实际应用中，遗传算法容易产生早熟收敛的问题。采用何种选择方法既要使优良个体得以保留，又要维持群体的多样性，一直是遗传算法中较难解决的问题。 4. 未来的发展趋势从自然现象来看，生物演化的目的并非取得某一限制条件下的某些参数优化，而是适应环境。从这一点来看，虽然目前工程实践上遗传算法的主要应用是用于优化，但真正的结果并非如此。借鉴遗传算法和生物演化现象的紧密关系，人工生命和复杂性科学的研究与遗传算法有极其密却的联系。从长远来看。遗传算法还有以下发展空间： （1） 协同进化。进化的目标不是形成一个超级物种，一个生态环境进化的结果是物种与环境的相互适应的复杂系统。因此，应该研究多个物种早共同的生态环境中的协同进化。对应到遗传算法，可以用于多目标的优化。 （2）  学习与进化的相互作用。可以将学习分为以下几种：?宗亲学习：通过血亲遗传祖先的特征遗传给后代；?社团学习：经验和知识在群体中共享；?个体学习：个体生存过程中的学习；个体学习获得某种所需特性的机会。但是除了生物界的有性生殖，突变，染色体互换和倒置等等基于生理结构的进化机制外，人类社会还存在基于社会文化的进化机制，个体在社会学习中得到特有的更高级的进化。而随着计算机技术的高速发展，遗传算法将会更加广泛地应用于国民经济的各个领域，如故障诊断，工业控制，电力系统，系统辨识，神经网络，路径规划，网络通信，社会科学等。随着遗传算法的深入研究以及与其他学科的互相融合，必将在智能领域占有越来越重要的地位。随着理论研究的不断深入和应用领域的不断扩展，遗传算法将得到长足的发展。参考文献1赵宜鹏，孟磊，彭承靖.遗传算法原理与发展方向综述J，黑龙江科技信息，2010（13）：79-80.2曾文飞，张英杰，颜玲.遗传算法的基本原理及其应用研究J，软件导刊，2009（9）：54-56. 3李敏强，寇纪淞，林丹，李书全.遗传算法的基本理论与应用M.北京：科学出版社，2002 4巩敦卫，郝国生，周勇，郭一楠.交互式遗传算法原理及其应用M.北京：国防工业出版社，20075D Wolpert，W Macready - Working Papers - 1995 6Z Michalewicz，CZ Janikow，JB Krawczyk - Computers & Mathematics with Applications - 19927郑朝晖，张焱，裘聿皇一种基于复数编码的遗传算法J控制理论与应用，2003，20（1）：97-1008LINYung-chien，et alJComputersandMathematicswithAp-plications，2004，47（8-9）：1295-13079乔家庆，付平，孟升卫基于个体差异的遗传选择算子设计J电子学报，2006，34（12A）：2414-241610于志刚，宋申民，段广仁遗传算法的机理与收敛性研究J