Difference between revisions 32757209 and 32757212 on zhwiki

生物的进化（Evolution)过程主要是通过染色体之间的交叉和变异来完成的。基于对自然界中生物遗传与进化机理的模仿，针对不同的问题，很多学者设计了许多不同的编码方法来表示问题的可行解，开发出了许多种不同的遗传算子来模仿不同环境下的生物遗传特性。这样，由不同的编码（Coding）方法和不同的遗传算子就构成了各种不同的遗传算法。

遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了 达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应的控制搜索过程以求得最优解。遗传算法操作使用适者生存的原则，在潜在的解决方案种群中逐次产生一个近似最优解的方案，在遗传算法的每一代中，根据个体在问题域中的适应度值和从自然遗传学中借鉴来的再造方法进行个体选择，产生一个新的近似解。这个过程导致种群中个体的进化，得到的新个体比原来个体更能适应环境，就像自然界中的改造一样。

(contracted; show full)(5)遗传算法对算法的精度、可行度、计算复杂性等方面，还没有有效的定量分析方法。

== 改进的遗传算法 ==
尽管遗传算法有许多优点，也有许多专家学者对遗传算法进行不断研究，但目前存在的问题依然很多，如：

(1)适应度值标定方式多种多样，没有一个简洁、通用的方法，不利于对遗传算法的使用。

(2)遗传算法的早熟现象(即很快收敛到局部最优解而不是全局最优解)是迄今为止最难处理的关键问题
，但可考虑自适应跟踪成熟度<ref name=APSO/>。

(3)快要接近最优解时在最优解附近左右摆动，收敛较慢。

遗传算法通常需要解决一下问题，如确定编码方案，适应度函数标定，选择遗传操作方式及相关控制参数，停止准则确定等。相应地，为改进简单遗传算法的实际计算性能，很多学者的改进工作也是分别从参数编码、初始群体设定、适应度函数标定、遗传操作算子、控制参数的选择以及遗传算法的结构等方面提出的。其基本途径概括起来主要有下面几个方面：

(1)改进遗传算法的组成成分或使用技术，如选用优化控制参数、适合问题特性的编码技术等。

(2)采用混合遗传算法(Hybrid Genetic Alogrithm).，比如引入只需使用两个而且明了数学公式的粒子群算法<ref name=APSO/>。

(3)采用动态自适应技术，在进化过程中调整算法控制参数和编码精度，比如使用模糊自适应法<ref name=APSO/>。

(4)采用非标准的遗传操作算子。

(5)采用并行算法。

几种常见的改进遗传算法：

(contracted; show full)* [http://www-illigal.ge.uiuc.edu/IlliGAL 伊利诺斯遗传算法实验室] - 可以下载技术报告和程序源代码。
* [http://www.it-weise.de/projects/book.pdf Global Optimization Algorithms - Theory and Application]

[[Category:算法]]
[[Category:遗传算法]]
[[Category:最优化算法]]
[[Category:人工智能]]
[[Category:人工智能应用]]