遗传算法总结

遗传算法基本思想 1、首先实现从性状到基因的映射，即编码工作，然后从代表问题可能潜在解集的一个种群开始进行进化求解； 2、初代种群（编码集合）产生后，按照优胜劣汰的原则，根据个体适应度大小挑选（选择）个； 3、进行复制、交叉、变异，产生出代表新的解集的群体，再对其进行挑选以及一系列遗传操作，如此往复，逐代演化产生出越来越好的近似解。 遗传算法与经典算法的区别 1、两者的区别 遗传算法以决策变量的编码作为运算对象。传统的优化算法往往直接利用决策变量的实际值本身进行优化计算，但遗传算法不是直接以决策变量的值，而是以决策变量的某种形式的编码为运算对象，从而可以很方便地引入和应用遗传操作算子。（编码） 遗传算法直接以目标函数值作为搜索信息。传统的优化算法往往不只需要目标函数值，还需要目标函数的导数等其它信息。这样对许多目标函数无法求导或很难求导的函数，遗传算法就比较方便。（对函数要求低） 遗传算法同时进行解空间的多点搜索。传统的优化算法往往从解空间的一个初始点开始搜索，这样容易陷入局部极值点。遗传算法进行群体搜索，而且在搜索的过程中引入遗传运算，使群体又可以不断进化。这也是遗传算法所特有的一种隐含并行性。（群体优化，并行计算，避免陷入局部最优） 遗传算法使用概率搜索技术 。遗传算法属于一种自适应概率搜索技术，其选择、交叉、变异等运算都是以一种概率