遗传算法简介

遗传算法简介¹

美国Michigan大学的Holland教授及其学生收到生物模拟技术的启发，创造出了一种基于生物遗传和进化机制的适合与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。

遗传算法的优点

（1）对可行域表示的广泛性。遗传算法处理的对象不是参数本身，而是针对那些通过参数集进行编码得到的基因个体。编码操作使得遗传算法可以直接对结构对象进行操作。

（2）群体搜索特性。这一特点使遗传算法具有较好的全局搜索性能，也是的遗传算法本身易于并行化。

（3）不需要辅助信息。遗传算法仅用适应度函数值来评估基因个体，适应度函数不仅不受连续可微的约束，而且其定义域可以任意设定。

（4）内在启发式随机搜索特性。遗传算法不是采用确定性规则，而是采用概率的变迁规则来指导它的搜索方向。虽然它看起来是一种盲目搜索方法，但实际上它有明确的搜索方向，具有内在的并行搜索机制。

（5)遗传算法在搜索过程中不容易陷入局部最优，即使在所定义的适应度函数不是连续的、非规则的或有噪声的情况下，也能以很大的概率找到全局最优解。

（6）遗传算法采用自然进化机制来表现复杂的现象，能够快速可靠地解决求解非常困难的问题。

（7）遗传算法具有固定的并行性和并行计算的能力。

（8）遗传算法具有可拓展性，易于同别的技术混合使用。

遗传算法的不足之处

（1）编码不规范及编码存在表示的不准确性。

（2）单翼的遗传算法编码不能全面地桨优化问题的约束表示出来。考虑约束的一个可行方法是对不可行域采用阀值，这样，计算的时间必然增加。

（3）遗传算法通常的效率比其他传统的优化方法低。

（4）遗传算法容易出现过早收敛。

（5）遗传算法在算法的精度、可信度、计算复杂性等方