遗传算法的研究现状.doc

遗传算法的研究现状.doc:..遗传算法的研究现状摘要:遗传算法是一种基于生物自然选择与遗传机理的随机搜索与优化方法。近年来,由于遗传算法求解复杂优化问题的巨大潜力及其在工业工程领域的成功应用,这利導法受到了国内外学者的广泛关注。木文介绍了遗传算法的研究现状,描述了它的主要特点和基木原理,概述了它的理论、技术和应用领域,讨论了混合遗传算法和并行遗传算法,指出了遗传算法的研究方向,并对遗传算法的性能作了分析。关键词:遗传算法进化计算搜索优化Abstract:,theory,:putationSearchOptimization1、引言遗传算法(icAlgorithm,GA)是近年来迅速发展起来的一种全新的随机搜索与优化算法,其基木思想是基于Darwin的进化论和Mendel的遗传学说。该算法由密执安大学教授Holland及其学生于1975年创建。此后,遗传算法的研究引起了国内外学者的关注。自1985年以来,国际上已召开了多次遗传算法的学术会议和研讨会,国际遗传算法学会组织召开的ICGA(icAlgorithms)会议和FOGA(icAlgorithms)会议,为研究和应用遗传算法提供了国际交流的机会。近年來,遗传算法已被成功地应用于工业、经济管理、交通运输、工业设计等不同领域,解决了许多问题。例如,可靠性优化、流水车间调度、作业车间调度、机器调度、设备布局设计、图像处理以及数据挖掘等。本文将从遗传算法的理论和技术两方面概述目前的研究现状,描述遗传算法的主要特点、基木原理以及各种改进算法,介绍遗传算法的应用领域,并对遗传算法的性能进行分析。2、理论与技术遗传算法的研究主要包扌舌三个领域:遗传算法的理论与技术;用遗传算法进行优化;用遗传算法进行分类系统的机器学习。其屮,遗传算法的理论与技术研究主要包括编码、交叉运算、变异运算、选择运算以及适应度评价等问题。,遗传算法从一组随机产生的初始解,称为群体,开始搜索过程。群体中的每个个体是问题的一个解,称为染色体。这些染色体在后续迭代中不断进化,称为遗传。遗传算法主要通过交叉、变异、选择运算实现。交叉或变异运算生成下一代染色体,称为后代。染色体的好坏用适应度來衡量。根据适应度的大小从上一代和后代中选择一定数量的个体,作为下一代群体,再继续进化,这样经过若干代之后,算法收敛于最好的染色体,它很可能就是问题的最优解或次优解。遗传算法中使用适应度这个概念來度量群体中的各个个体的在优化计算中冇口J能到达最优解的优良程度。度量个体适应度的函数称为适应度函数。适应度函数的